Mori_Chatbot_SpanishCorrections.py

import os, sys, warnings, json, joblib, random, re, unicodedata
import numpy as np


#-------------------------------------------------------------------------
# Function to correct Spanish sentences' punctuation and missing characters
#-------------------------------------------------------------------------

def polish_spanish(s: str) -> str:
    """Corrects and normalizes Spanish sentences for Mori outputs."""

    # Normalización NFC para acentos y ñ
    s = unicodedata.normalize("NFC", s).strip()

    # Remover nombres del modelo filtrados
    s = re.sub(
        r'\s*[\[\(]\s*Mori\s+(?:Social|T[eé]nico|T[eé]cnico)\s*[\]\)]\s*',
        '',
        s,
        flags=re.I
    )

    # Correcciones de palabras comunes
    fixes = [
        (r'(?i)(^|\W)T\s+puedes(?P<p>[^\w]|$)', r'\1Tú puedes\g<p>'),
        (r'(?i)(^|\W)T\s+(ya|eres|estas|estás|tienes|puedes)\b', r'\1Tú \2'),
        (r'(?i)\bclaro que s(?:i|í)?\b(?P<p>[,.\!?…])?', r'Claro que sí\g<p>'),
        (r'(?i)(^|\s)si,', r'\1Sí,'),
        (r'(?i)(\beso\s+)s(\s+est[áa]\b)', r'\1sí\2'),
        (r'(?i)(^|[\s,;:])s(\s+es\b)', r'\1sí\2'),
        (r'(?i)\btiles\b', 'útiles'),
        (r'(?i)\butiles\b', 'útiles'),
        (r'(?i)\butil\b', 'útil'),
        (r'(?i)\btil\b', 'útil'),
        (r'(?i)\bcategoras\b', 'categorías'),
        (r'(?i)\bcategora\b', 'categoría'),        
        (r'(?i)\batpico\b', 'atípico'),        
        (r'(?i)\batpicos\b', 'atípico'),
        (r'(?i)\bdesempeo\b', 'desempeño'),          
        (r'(?i)\baqui\b', 'aquí'),
        (r'(?i)\balgn\b', 'algún'),
        (r'(?i)\banomala\b', 'anomalía'),
        (r'(?i)\banomalas\b', 'anomalías'),
        (r'(?i)\balgun\b', 'algún'),
        (r'(?i)\bAnimo\b', 'Ánimo'),
        (r'(?i)\bcario\b', 'cariño'),
        (r'(?i)\baprendisaje\b', 'aprendizaje'),
        (r'(?i)\bmanana\b', 'mañana'),
        (r'(?i)\bmaana\b', 'mañana'),
        (r'(?i)\benergia\b', 'energía'),
        (r'(?i)\benerga\b', 'energía'),
        (r'(?i)\bextrano\b', 'extraño'),
        (r'(?i)\bextrana\b', 'extraña'),
        (r'(?i)\bextranar\b', 'extrañar'),
        (r'(?i)\bextranarte\b', 'extrañarte'),
        (r'(?i)\bextranas\b', 'extrañas'),
        (r'(?i)\bextranos\b', 'extraños'),
        (r'(?i)\baqu\b', 'aquí'),
        (r'(?i)\bestare\b', 'estaré'),
        (r'(?i)\bclarn\b', 'clarín'),
        (r'(?i)\bclarin\b', 'clarín'),
        (r'(?i)\bclar[íi]n\s+cornetas\b', 'clarín cornetas'),
        (r'(?i)(^|\s)s([,.;:!?])', r'\1Sí\2'),
        (r'(?i)\bfutbol\b', 'fútbol'),
        (r'(?i)(^|\s)as(\s+se\b)', r'\1Así\2'),
        (r'(?i)(^|\s)s(\s+orientarte\b)', r'\1sí\2'),
        (r'(?i)\bbuen dia\b', 'buen día'),
        (r'(?i)\bgran dia\b', 'gran día'),
        (r'(?i)\bdias\b', 'días'),
        (r'(?i)\bdia\b', 'día'),
        (r'(?i)\bgran da\b', 'gran día'),
        (r'(?i)\bacompa?a(r|rte|do|da|dos|das)?\b', r'acompaña\1'),
        (r'(?i)(^|\s)as([,.;:!?]|\s|$)', r'\1así\2'),
        (r'(?i)(^|\s)S lo se\b', r'\1Sí lo sé'),
        (r'(?i)(^|\s)S lo sé\b', r'\1Sí lo sé'),
        (r'(?i)\bcuidate\b', 'cuídate'),
        (r'(?i)\bcuidese\b', 'cuídese'),
        (r'(?i)\bcuidense\b', 'cuídense'),
        (r'(?i)\bpequeo\b', 'pequeño'),
        (r'(?i)\bpequea\b', 'pequeña'),
        (r'(?i)\bpequeos\b', 'pequeños'),
        (r'(?i)\bpequeas\b', 'pequeñas'),
        (r'(?i)\bunico\b', 'único'),
        (r'(?i)\bunica\b', 'única'),
        (r'(?i)\bunicos\b', 'únicos'),
        (r'(?i)\bunicas\b', 'únicas'),
        (r'(?i)\bnico\b', 'único'),
        (r'(?i)\bnica\b', 'única'),
        (r'(?i)\bnicos\b', 'únicos'),
        (r'(?i)\bnicas\b', 'únicas'),
        (r'(?i)\bestadstico\b', 'estadístico'),
        (r'(?i)\bestadstica\b', 'estadística'),
        (r'(?i)\bestadsticos\b', 'estadísticos'),
        (r'(?i)\bestadsticas\b', 'estadísticas'),
        (r'(?i)\bgracias por confiar en m\b', 'gracias por confiar en mí'),
        (r'(?i)\bcada dia\b', 'cada día'),
        (r'(?i)\bcada da\b', 'cada día'),
        (r'(?i)\bsegun\b', 'según'),
        (r'(?i)\bcaracteristica(s)?\b', r'característica\1'),
        (r'(?i)\bcaracterstica(s)?\b', r'característica\1'),
        (r'(?i)\b([a-záéíóúñ]+)cion\b', r'\1ción'),
        (r'(?i)\bdeterminacio\b', 'determinación'),
    ]

    for pat, rep in fixes:
        s = re.sub(pat, rep, s)

    # Corregir "Eso es todo!"
    s = re.sub(
        r'(?i)^eso es todo!(?P<r>(\s|$).*)',
        r'¡Eso es todo!\g<r>',
        s
    )

    # Añadir signo de apertura de pregunta (¿)
    def add_opening_q(m):
        cuerpo = m.group('qbody')
        if '¿' in cuerpo:
            return m.group(0)
        return f"{m.group('pre')}¿{cuerpo}"

    s = re.sub(
        r'(?P<pre>(^|[.!…]\s+))(?P<qbody>[^?]*\?)',
        add_opening_q,
        s
    )

    # Añadir signo de apertura para exclamaciones comunes
    def _open_exclam(m):
        palabra = m.group('w')
        resto = m.group('r') or ''
        return f'¡{palabra}!{resto}'

    s = re.sub(
        r'(?i)^\s*(?P<w>(hola|gracias|genial|perfecto|claro|por supuesto|con gusto|listo|vaya|wow|tu puedes|tú puedes|clarín|clarin|clarín cornetas))!(?P<r>(\s|$).*)',
        _open_exclam,
        s
    )

    # Limpieza final
    s = re.sub(r'\s+', ' ', s).strip()
    if s and s[-1] not in ".!?…":
        s += "."

    return s