app.py

import gradio as gr
from transformers import pipeline
import logging

# Configurar logging para ver información de Transformers (opcional, pero útil para depuración)
logging.basicConfig(level=logging.INFO)

# --- Funciones para las Pipelines de Transformers ---

def sentiment_analysis(text):
    try:
        classifier = pipeline("sentiment-analysis")
        result = classifier(text)
        return result
    except Exception as e:
        return str(e)

def text_generation(prompt, max_length=50):
    try:
        generator = pipeline("text-generation")
        result = generator(prompt, max_length=int(max_length), num_return_sequences=1)
        return result[0]['generated_text'] if result else "No text generated."
    except Exception as e:
        return str(e)

def zero_shot_classification(text, candidate_labels_str):
    try:
        candidate_labels = [label.strip() for label in candidate_labels_str.split(',')]
        if not candidate_labels or all(not label for label in candidate_labels):
            return "Por favor, ingresa etiquetas candidatas válidas separadas por comas."
        classifier = pipeline("zero-shot-classification")
        result = classifier(text, candidate_labels=candidate_labels)
        return result
    except Exception as e:
        return str(e)

def fill_mask(text_with_mask, top_k=2):
    try:
        unmasker = pipeline("fill-mask")
        result = unmasker(text_with_mask, top_k=int(top_k))
        return result
    except Exception as e:
        return str(e)

def named_entity_recognition(text):
    try:
        ner_pipeline = pipeline("ner", grouped_entities=True)
        result = ner_pipeline(text)
        return result
    except Exception as e:
        return str(e)

def summarization(text, min_length=30, max_length=130):
    try:
        summarizer = pipeline("summarization")
        result = summarizer(text, min_length=int(min_length), max_length=int(max_length), do_sample=False)
        return result[0]['summary_text'] if result else "No summary generated."
    except Exception as e:
        return str(e)

def translation_fr_en(text):
    try:
        translator = pipeline("translation", model="Helsinki-NLP/opus-mt-fr-en")
        result = translator(text)
        return result[0]['translation_text'] if result else "No translation."
    except Exception as e:
        return str(e)

# --- Creación de la Interfaz Gradio ---

with gr.Blocks(title="Demo de Transformers con Gradio") as demo:
    gr.Markdown("# Prueba varios modelos de Hugging Face Transformers")
    gr.Markdown("Recuerda: La primera vez que ejecutes una tarea, el modelo se descargará y puede tardar.")

    with gr.Tabs():
        with gr.TabItem("Análisis de Sentimiento"):
            with gr.Row():
                sa_input = gr.Textbox(label="Ingresa texto para análisis de sentimiento")
            sa_button = gr.Button("Analizar Sentimiento")
            sa_output = gr.JSON(label="Resultado del Análisis")
            sa_button.click(sentiment_analysis, inputs=sa_input, outputs=sa_output)

        with gr.TabItem("Generación de Texto"):
            with gr.Row():
                tg_input_prompt = gr.Textbox(label="Ingresa un prompt para iniciar la generación")
                tg_max_length = gr.Number(label="Longitud Máxima", value=50)
            tg_button = gr.Button("Generar Texto")
            tg_output = gr.Textbox(label="Texto Generado", lines=5)
            tg_button.click(text_generation, inputs=[tg_input_prompt, tg_max_length], outputs=tg_output)

        with gr.TabItem("Clasificación Zero-Shot"):
            with gr.Row():
                zsc_input_text = gr.Textbox(label="Texto a clasificar")
                zsc_input_labels = gr.Textbox(label="Etiquetas candidatas (separadas por comas)", placeholder="ej: educación, política, negocios")
            zsc_button = gr.Button("Clasificar (Zero-Shot)")
            zsc_output = gr.JSON(label="Resultado de la Clasificación")
            zsc_button.click(zero_shot_classification, inputs=[zsc_input_text, zsc_input_labels], outputs=zsc_output)

        with gr.TabItem("Rellenar Máscara (Fill-Mask)"):
            with gr.Row():
                fm_input_text = gr.Textbox(label="Texto con <mask> para rellenar", placeholder="This course will teach you all about <mask> models.")
                fm_top_k = gr.Number(label="Top K resultados", value=2)
            fm_button = gr.Button("Rellenar Máscara")
            fm_output = gr.JSON(label="Posibles Rellenos")
            fm_button.click(fill_mask, inputs=[fm_input_text, fm_top_k], outputs=fm_output)

        with gr.TabItem("Reconocimiento de Entidades Nombradas (NER)"):
            ner_input = gr.Textbox(label="Texto para NER")
            ner_button = gr.Button("Reconocer Entidades")
            ner_output = gr.JSON(label="Entidades Reconocidas")
            ner_button.click(named_entity_recognition, inputs=ner_input, outputs=ner_output)

        with gr.TabItem("Resumen de Texto (Summarization)"):
            with gr.Row():
                summ_input_text = gr.TextArea(label="Texto largo para resumir", lines=7)
            with gr.Row():
                summ_min_len = gr.Number(label="Longitud Mínima del Resumen", value=30)
                summ_max_len = gr.Number(label="Longitud Máxima del Resumen", value=130)
            summ_button = gr.Button("Generar Resumen")
            summ_output = gr.Textbox(label="Resumen Generado", lines=5)
            summ_button.click(summarization, inputs=[summ_input_text, summ_min_len, summ_max_len], outputs=summ_output)

        with gr.TabItem("Traducción (Francés a Inglés)"):
            tr_input_text = gr.Textbox(label="Texto en Francés para traducir a Inglés", placeholder="Ce cours est produit par Hugging Face.")
            tr_button = gr.Button("Traducir")
            tr_output = gr.Textbox(label="Texto Traducido (Inglés)")
            tr_button.click(translation_fr_en, inputs=tr_input_text, outputs=tr_output)

if __name__ == "__main__":
    demo.launch()