utils_gdmk.py

import networkx as nx
import matplotlib.pyplot as plt
import json
import requests
import pandas as pd
import os
import gradio as gr
import openai
import scipy as sp

# Load OpenAI API Key
API_KEY = os.getenv("OAIK")
client = openai.OpenAI(api_key=API_KEY)

api_key_airt = os.getenv("AIRT_KEY")
AIRT_DBASE = 'appUuBVTJR5ju0y6J'
AIRT_TABLE = 'foros_postdoc'

url = f"https://api.airtable.com/v0/{AIRT_DBASE}/{AIRT_TABLE}"
headers = {
    "Authorization": f"Bearer {api_key_airt}",
    "Content-Type": "application/json"
}

def cargar_vocabulario(archivo):
    with open(archivo, "r", encoding="utf-8") as f:
        vocabulario = [line.strip() for line in f if line.strip()]  # Eliminar espacios y líneas vacías
    return vocabulario

def cargar_nombres(archivo):
    with open(archivo, "r", encoding="utf-8") as f:
        students = [line.strip() for line in f if line.strip()]  # Eliminar espacios y líneas vacías
    return students

students = cargar_nombres("nombres_postdoc.txt")
VOCABULARY = cargar_vocabulario("vocabulario_postdoc.txt")

G = nx.DiGraph()

def extract_concepts(text):

    instrucciones = os.getenv('instrucciones_postdoc')
    prompt = f"""Utilizando como base este vocabulario de términos,  {VOCABULARY}, explora el siguiente texto: '{text}', y genera una \
                lista corta de los conceptos presentes en el texto coincidentes con los términos del vocabulario, la lista debe ser una \
                secuencia simple de términos encontrados coincidentes separados por comas."""

    version_model = 'gpt-3.5-turbo-0125'
    response = client.chat.completions.create(
        model=version_model,
        messages=[{"role": "system", "content": instrucciones},
                  {"role": "user", "content": prompt}],
        temperature=0.8,
        max_tokens=300,
    )
    extract_concepts = response.choices[0].message.content.split(',')
    return extract_concepts

def cargar_desde_airtable():
    response = requests.get(url, headers=headers)    
    if response.status_code != 200:
        print(f"Error: {response.status_code} - {response.text}")
        return pd.DataFrame(columns=["Nombre", "Conceptos"])
    
    records = response.json().get("records", [])
    aportes = []
    
    for record in records:
        nombre = record["fields"].get("Nombre", "").strip()
        conceptos = record["fields"].get("Conceptos", "").strip()
        aportes.append([nombre, conceptos])

    df = pd.DataFrame(aportes, columns=["Nombre", "Conceptos"])
    
    print("Loaded Airtable Data:")
    print(df)  # 🔍 Debugging: Print the loaded data
    return df

def inicializar_grafo():
    df = cargar_desde_airtable()
    
    for _, row in df.iterrows():
        nombre = row["Nombre"].strip()
        conceptos = row["Conceptos"].strip()
    
        if not nombre or not conceptos:
            continue  # Skip empty rows
    
        # ✅ Ensure name is added as a node first
        if not G.has_node(nombre):
            G.add_node(nombre, color='lightblue')
    
        for termino in conceptos.split(','):
            termino = termino.strip()
            if termino:  # ✅ Fix empty terms issue
                if not G.has_node(termino):
                    G.add_node(termino, color='lightgreen')
                if not G.has_edge(nombre, termino):
                    G.add_edge(nombre, termino)
    
    # print("✅ Graph Nodes:", list(G.nodes))
    # print("✅ Graph Edges:", list(G.edges))

def visualizar_grafo(kdis):
    plt.figure(figsize=(8, 6))  # Aumenta el tamaño de la imagen para mejorar la visibilidad

    if len(G.nodes) == 0:
        print("⚠️ Warning: The graph is empty! Check if data was loaded correctly.")
        plt.text(0.5, 0.5, "No data available", fontsize=12, ha='center')
        plt.savefig("graph.png")
        plt.close()
        return "graph.png"

    centrality = nx.betweenness_centrality(G)
    # pos = nx.kamada_kawai_layout(G, scale=2.0)  # 🔄 Expandir el grafo
    pos = nx.spring_layout(G, k=kdis, iterations=100)
    node_colors = []
    node_sizes = []

    for node in G.nodes():
        if node in students:
            node_colors.append('lightblue')  # 🔵 Color para estudiantes
        else:
            node_colors.append('lightgreen')  # 🟢 Color para conceptos
        node_sizes.append(800 + 5000 * centrality.get(node, 0))  # 🔽 Reduce la escala

    nx.draw(
        G, pos, with_labels=True, node_color=node_colors, edge_color='gray',
        node_size=node_sizes, font_size=8  # 🔄 Reduce font_size para más espacio
    )

    edge_labels = nx.get_edge_attributes(G, 'label')
    nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, font_size=7)
    plt.title("Red de Aportes - Optimizada y Expandida")
    plt.savefig("graph.png")
    plt.close()

    return "graph.png"

def guardar_en_airtable(nombre, conceptos, texto): 
    if isinstance(conceptos, list):
        conceptos = [c.strip().replace("'", "").replace('"', '') for c in conceptos if c.strip()]
    data = {"fields": {"Nombre": nombre, "Conceptos": ", ".join(conceptos), "Texto_Aporte": texto}}
    response = requests.post(url, headers=headers, json=data)
    if response.status_code != 200:
        print(f"Error saving to Airtable: {response.status_code} - {response.text}")

def agregar_aporte(nombre, texto, kdis):
    conceptos = extract_concepts(texto)  # ✅ Extract concepts dynamically
    print(f"Extracted Concepts: {conceptos}")  # 🔍 Debugging

    if not G.has_node(nombre):
        G.add_node(nombre, color='lightblue')
    
    for termino in conceptos:
        termino = termino.strip()
        if not G.has_node(termino):
            G.add_node(termino, color='lightgreen')
        if not G.has_edge(nombre, termino):
            G.add_edge(nombre, termino)

    guardar_en_airtable(nombre, conceptos, texto)  
    return visualizar_grafo(kdis)

def reload_data(kdis):
    global G  # Asegura que modificamos el grafo global
    G.clear()  # Borra el contenido actual del grafo
    inicializar_grafo()  # Vuelve a poblarlo desde Airtable
    return visualizar_grafo(kdis)  # Retorna la imagen actualizada