Hugging Face's logo

Spaces:
vcasas
/
testing_my
Sleeping

App Files Community
testing_my
File size: 5,229 Bytes
aa4466c
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
6c6b428
aa4466c
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
import gradio as gr
import requests
from bs4 import BeautifulSoup
from urllib.parse import urljoin
from pypdf import PdfReader
import time
import re
import io

BASE_URL   = "https://www.poderjudicial.es"
SEARCH_URL = "https://www.poderjudicial.es/search/indexAN.jsp"
POST_URL   = "https://www.poderjudicial.es/search/search.action"
DELAY      = 6

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36",
    "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8",
    "Accept-Language": "es-ES,es;q=0.9",
    "Accept-Encoding": "gzip, deflate, br",
    "Connection": "keep-alive",
    "Upgrade-Insecure-Requests": "1",
    "Sec-Fetch-Dest": "document",
    "Sec-Fetch-Mode": "navigate",
    "Sec-Fetch-Site": "same-origin",
    "Sec-Fetch-User": "?1",
    "Referer": SEARCH_URL,
}

PAYLOAD = {
    "action": "query",
    "sort": "IN_FECHARESOLUCION:decreasing",
    "recordsPerPage": "10",
    "databasematch": "AN",
    "start": "1",
    "TEXT": "responsabilidad patrimonial",
    "JURISDICCION": "|PENAL|",
    "TIPOORGANOPUB": "|11|12|13|14|15|16|",
    "field": "JURISDICCION",
    "idtab": "jurisprudencia",
    "org": "",
}

def build_pdf_url(open_doc_link):
    partes    = open_doc_link.rstrip("/").split("/")
    reference = partes[-2]
    optimize  = partes[-1]
    return (
        f"https://www.poderjudicial.es/search/contenidos.action"
        f"?action=accessToPDF&publicinterface=true&tab=AN"
        f"&reference={reference}&encode=true"
        f"&optimize={optimize}&databasematch=AN"
    )

def extraer_texto_pdf(contenido_bytes):
    reader = PdfReader(io.BytesIO(contenido_bytes))
    return "\n".join(page.extract_text() or "" for page in reader.pages)

def extraer_fundamentos(texto):
    patron = re.search(
        r'(FUNDAMENTOS\s+DE\s+DERECHO)(.*?)(?=FALLO|$)',
        texto,
        re.IGNORECASE | re.DOTALL
    )
    if patron:
        return patron.group(2).strip()
    return "NO SE ENCONTRARON FUNDAMENTOS DE DERECHO"

def extraer_metadatos(texto):
    meta = {}
    ecli    = re.search(r'ECLI[:\s]+(ES\S+)', texto)
    meta["ECLI"]    = ecli.group(1) if ecli else "N/D"
    ponente = re.search(r'Ponente[:\s]+([A-ZÁÉÍÓÚÑ ]+)', texto)
    meta["PONENTE"] = ponente.group(1).strip() if ponente else "N/D"
    fecha   = re.search(r'Fecha[:\s]+(\d{2}/\d{2}/\d{4})', texto)
    meta["FECHA"]   = fecha.group(1) if fecha else "N/D"
    return meta

def scrape_una_sentencia():
    log = []

    # Paso 1: inicializar sesión
    session = requests.Session()
    log.append("Paso 1: inicializando sesión...")
    session.get(SEARCH_URL, headers=headers)

    # Paso 2: búsqueda POST
    log.append("Paso 2: ejecutando búsqueda POST...")
    response = session.post(POST_URL, headers=headers, data=PAYLOAD)
    log.append(f"  Status: {response.status_code} — Tamaño: {len(response.text)} caracteres")
    log.append(f"  Respuesta: {response.text[:500]}")

    # Paso 3: extraer primer enlace
    log.append("Paso 3: extrayendo primer enlace...")
    soup = BeautifulSoup(response.text, "html.parser")
    link = None
    for a in soup.find_all("a", href=True):
        if "openDocument" in a["href"]:
            link = urljoin(BASE_URL, a["href"])
            break

    if not link:
        log.append("  ✗ No se encontró ningún enlace")
        return "\n".join(log), None

    log.append(f"  Enlace: {link}")

    # Paso 4: construir URL de descarga
    pdf_url = build_pdf_url(link)
    log.append(f"Paso 4: URL de descarga: {pdf_url}")

    # Paso 5: descargar PDF
    log.append("Paso 5: descargando PDF...")
    time.sleep(DELAY)
    r_pdf = session.get(pdf_url, headers=headers)
    content_type = r_pdf.headers.get("Content-Type", "")
    log.append(f"  Content-Type: {content_type}")

    if "text/html" in content_type:
        log.append("  ✗ CAPTCHA — no se obtuvo PDF")
        return "\n".join(log), None

    # Paso 6: extraer texto y fundamentos
    log.append("Paso 6: extrayendo texto del PDF...")
    texto = extraer_texto_pdf(r_pdf.content)
    meta  = extraer_metadatos(texto)
    fund  = extraer_fundamentos(texto)

    # Paso 7: guardar resultado
    output_path = "/tmp/sentencia.txt"
    with open(output_path, "w", encoding="utf-8") as f:
        f.write(f"ENLACE: {link}\n")
        f.write(f"ECLI: {meta['ECLI']} | PONENTE: {meta['PONENTE']} | FECHA: {meta['FECHA']}\n")
        f.write("FUNDAMENTOS DE DERECHO:\n")
        f.write(fund)
        f.write("\n" + "="*80 + "\n")

    log.append(f"  ✓ Guardada — ECLI: {meta['ECLI']}")
    return "\n".join(log), output_path

with gr.Blocks(title="CENDOJ — Una sentencia") as demo:
    gr.Markdown("# CENDOJ — Descarga de prueba")
    gr.Markdown("Busca una sentencia del Tribunal Supremo (Penal) sobre responsabilidad patrimonial y descarga sus fundamentos de derecho.")
    btn     = gr.Button("Ejecutar", variant="primary")
    log     = gr.Textbox(label="Log", lines=15)
    fichero = gr.File(label="Descargar resultado")
    btn.click(fn=scrape_una_sentencia, inputs=[], outputs=[log, fichero])

demo.launch(server_name="0.0.0.0", server_port=7860)