Update core/integrations/doc_converter.py

core/integrations/doc_converter.py

@@ -1,98 +1,114 @@
-# core/integrations/doc_converter
-import os
-import re
-import uuid
-import tempfile
-import pypandoc
-from loguru import logger
-from fastapi.responses import FileResponse
-
-# Control de descargas (máximo 2 por archivo)
-_descargas = {}
-
-
-def limpiar_lineas_hr(markdown_text: str) -> str:
-    """Reemplaza líneas horizontales '---' por saltos de línea."""
-    return re.sub(r"^\s*---\s*$", "\n", markdown_text, flags=re.MULTILINE)
-
-
-def normalizar_ecuaciones(md: str) -> str:
-    """Convierte ecuaciones LaTeX escapadas a formato estándar."""
-    md = re.sub(r"\\\[\s*(.*?)\s*\\\]", r"$$\1$$", md, flags=re.DOTALL)
-    md = re.sub(r"\\\(\s*(.*?)\s*\\\)", r"$\1$", md, flags=re.DOTALL)
-    return md
-
-
-def limpiar_backticks(markdown_text: str) -> str:
-    """
-    Elimina los backticks triples si encapsulan todo el contenido.
-    """
-    markdown_text = markdown_text.strip()
-    if markdown_text.startswith("```") and markdown_text.endswith("```"):
-        logger.info("🧹 Eliminando backticks triples de la respuesta LLM.")
-        return markdown_text[3:-3].strip()
-    return markdown_text
-
-
-def procesar_markdown(markdown_content: str) -> dict:
-    try:
-        # Limpieza previa del contenido
-        markdown_content = limpiar_backticks(markdown_content)
-        contenido_limpio = normalizar_ecuaciones(limpiar_lineas_hr(markdown_content))
-
-        uid = str(uuid.uuid4())
-        temp_dir = tempfile.gettempdir()
-        input_md = os.path.join(temp_dir, f"{uid}.md")
-        output_docx = os.path.join(temp_dir, f"{uid}.docx")
-
-        with open(input_md, "w", encoding="utf-8") as f:
-            f.write(contenido_limpio)
-
-        pypandoc.convert_file(
-            source_file=input_md,
-            to="docx",
-            outputfile=output_docx,
-            format="md",
-            extra_args=["--standalone"],
-        )
-
-        os.remove(input_md)
-        _descargas[uid] = 0
-
-        logger.success(f"✅ DOCX generado correctamente: {output_docx}")
-        return {"message": "Archivo DOCX generado exitosamente.", "file_id": uid}
-
-    except Exception as e:
-        logger.error(f"❌ Error al procesar Markdown: {e}")
-        return {"error": "Fallo en la conversión de Markdown a DOCX."}
-
-
-def gestionar_descarga(file_id: str):
-    """
-    Controla la descarga de archivos. Permite solo 2 descargas por archivo.
-    """
-    temp_dir = tempfile.gettempdir()
-    output_docx = os.path.join(temp_dir, f"{file_id}.docx")
-
-    if not os.path.exists(output_docx):
-        logger.warning(f"⚠️ Archivo no encontrado: {output_docx}")
-        return {"error": "El archivo no existe o fue eliminado.", "status": 404}
-
-    if file_id not in _descargas:
-        logger.warning(f"⚠️ ID inválido de descarga: {file_id}")
-        return {"error": "ID de archivo no válido.", "status": 400}
-
-    if _descargas[file_id] >= 2:
-        os.remove(output_docx)
-        del _descargas[file_id]
-        logger.info(f"🗑️ Archivo eliminado tras exceder descargas: {file_id}")
-        return {"error": "Límite de descargas alcanzado.", "status": 410}
-
-    _descargas[file_id] += 1
-    logger.info(f"⬇️ Descarga {_descargas[file_id]} de 2 para archivo: {file_id}")
-
-    return FileResponse(
-        path=output_docx,
-        filename="material_educativo.docx",
-        media_type="application/vnd.openxmlformats-officedocument.wordprocessingml.document",
-    )
+# core/integrations/doc_converter
+import os
+import re
+import uuid
+import tempfile
+import pypandoc
+from loguru import logger
+from fastapi.responses import FileResponse
+
+# Control de descargas (máximo 2 por archivo)
+_descargas = {}
+
+
+def limpiar_lineas_hr(markdown_text: str) -> str:
+    """Reemplaza líneas horizontales '---' por saltos de línea."""
+    return re.sub(r"^\s*---\s*$", "\n", markdown_text, flags=re.MULTILINE)
+
+
+def normalizar_ecuaciones(md: str) -> str:
+    """Convierte ecuaciones LaTeX escapadas a formato estándar."""
+    md = re.sub(r"\\\[\s*(.*?)\s*\\\]", r"$$\1$$", md, flags=re.DOTALL)
+    md = re.sub(r"\\\(\s*(.*?)\s*\\\)", r"$\1$", md, flags=re.DOTALL)
+    return md
+
+
+# def limpiar_backticks(markdown_text: str) -> str:
+#     """
+#     Elimina los backticks triples si encapsulan todo el contenido.
+#     """
+#     markdown_text = markdown_text.strip()
+#     if markdown_text.startswith("```") and markdown_text.endswith("```"):
+#         logger.info("🧹 Eliminando backticks triples de la respuesta LLM.")
+#         return markdown_text[3:-3].strip()
+#     return markdown_text
+
+def limpiar_backticks(markdown_text: str) -> str:
+    """
+    Elimina los backticks triples (``` o ```markdown) si encapsulan todo el contenido.
+    """
+    markdown_text = markdown_text.strip()
+
+    # Elimina bloque inicial ``` o ```markdown y final ```
+    if markdown_text.startswith("```") and markdown_text.endswith("```"):
+        # Reemplaza ` ```markdown\n` por vacío
+        markdown_text = re.sub(r"^```[a-zA-Z]*\n?", "", markdown_text)
+        # Quita los ``` finales
+        markdown_text = re.sub(r"\n?```$", "", markdown_text)
+        logger.info("🧹 Eliminando bloque ``` del inicio y final.")
+        return markdown_text.strip()
+
+    return markdown_text
+
+def procesar_markdown(markdown_content: str) -> dict:
+    try:
+        # Limpieza previa del contenido
+        markdown_content = limpiar_backticks(markdown_content)
+        contenido_limpio = normalizar_ecuaciones(limpiar_lineas_hr(markdown_content))
+
+        uid = str(uuid.uuid4())
+        temp_dir = tempfile.gettempdir()
+        input_md = os.path.join(temp_dir, f"{uid}.md")
+        output_docx = os.path.join(temp_dir, f"{uid}.docx")
+
+        with open(input_md, "w", encoding="utf-8") as f:
+            f.write(contenido_limpio)
+
+        pypandoc.convert_file(
+            source_file=input_md,
+            to="docx",
+            outputfile=output_docx,
+            format="md",
+            extra_args=["--standalone"],
+        )
+
+        os.remove(input_md)
+        _descargas[uid] = 0
+
+        logger.success(f"✅ DOCX generado correctamente: {output_docx}")
+        return {"message": "Archivo DOCX generado exitosamente.", "file_id": uid}
+
+    except Exception as e:
+        logger.error(f"❌ Error al procesar Markdown: {e}")
+        return {"error": "Fallo en la conversión de Markdown a DOCX."}
+
+
+def gestionar_descarga(file_id: str):
+    """
+    Controla la descarga de archivos. Permite solo 2 descargas por archivo.
+    """
+    temp_dir = tempfile.gettempdir()
+    output_docx = os.path.join(temp_dir, f"{file_id}.docx")
+
+    if not os.path.exists(output_docx):
+        logger.warning(f"⚠️ Archivo no encontrado: {output_docx}")
+        return {"error": "El archivo no existe o fue eliminado.", "status": 404}
+
+    if file_id not in _descargas:
+        logger.warning(f"⚠️ ID inválido de descarga: {file_id}")
+        return {"error": "ID de archivo no válido.", "status": 400}
+
+    if _descargas[file_id] >= 2:
+        os.remove(output_docx)
+        del _descargas[file_id]
+        logger.info(f"🗑️ Archivo eliminado tras exceder descargas: {file_id}")
+        return {"error": "Límite de descargas alcanzado.", "status": 410}
+
+    _descargas[file_id] += 1
+    logger.info(f"⬇️ Descarga {_descargas[file_id]} de 2 para archivo: {file_id}")
+
+    return FileResponse(
+        path=output_docx,
+        filename="material_educativo.docx",
+        media_type="application/vnd.openxmlformats-officedocument.wordprocessingml.document",
+    )