Update modules/text_analysis/discourse_analysis.py

modules/text_analysis/discourse_analysis.py

@@ -1,4 +1,7 @@
 # modules/text_analysis/discourse_analysis.py
+# Configuración de matplotlib
+plt.switch_backend('agg')  # Backend no interactivo
+plt.style.use('default')   # Estilo consistente
 import streamlit as st
 import spacy
 import networkx as nx
@@ -92,31 +95,126 @@ def compare_semantic_analysis(text1, text2, nlp, lang):
         tuple: (fig1, fig2, key_concepts1, key_concepts2)
     """
     try:
+        logger.info(f"Iniciando análisis comparativo para idioma: {lang}")
+        
+        # Obtener stopwords
+        stopwords = get_custom_stopwords(lang)
+        logger.info(f"Obtenidas {len(stopwords)} stopwords para el idioma {lang}")
+        
         # Procesar los textos
         doc1 = nlp(text1)
         doc2 = nlp(text2)
-
+        
         # Identificar conceptos clave con parámetros específicos
-        key_concepts1 = identify_key_concepts(doc1, min_freq=2, min_length=3)
-        key_concepts2 = identify_key_concepts(doc2, min_freq=2, min_length=3)
+        logger.info("Identificando conceptos clave del primer texto...")
+        key_concepts1 = identify_key_concepts(doc1, stopwords=stopwords, min_freq=2, min_length=3)
+        
+        logger.info("Identificando conceptos clave del segundo texto...")
+        key_concepts2 = identify_key_concepts(doc2, stopwords=stopwords, min_freq=2, min_length=3)
+
+        if not key_concepts1 or not key_concepts2:
+            raise ValueError("No se pudieron identificar conceptos clave en uno o ambos textos")
 
         # Crear y visualizar grafos
+        logger.info("Creando grafos de conceptos...")
         G1 = create_concept_graph(doc1, key_concepts1)
         G2 = create_concept_graph(doc2, key_concepts2)
 
+        logger.info("Visualizando grafos...")
+        plt.clf()  # Limpiar figura actual
         fig1 = visualize_concept_graph(G1, lang)
+        plt.clf()  # Limpiar figura antes del segundo grafo
         fig2 = visualize_concept_graph(G2, lang)
         
-        # Limpiar títulos
-        fig1.suptitle("")
-        fig2.suptitle("")
+        # Limpiar títulos y ajustar
+        fig1.suptitle("", pad=20)
+        fig2.suptitle("", pad=20)
+        
+        # Ajustar diseño
+        plt.tight_layout()
 
+        logger.info("Análisis comparativo completado exitosamente")
         return fig1, fig2, key_concepts1, key_concepts2
 
     except Exception as e:
         logger.error(f"Error en compare_semantic_analysis: {str(e)}")
+        plt.close('all')  # Limpiar recursos en caso de error
         raise
 
+def create_concept_table(key_concepts):
+    """
+    Crea una tabla de conceptos clave con sus frecuencias
+    Args:
+        key_concepts: Lista de tuplas (concepto, frecuencia)
+    Returns:
+        pandas.DataFrame: Tabla formateada de conceptos
+    """
+    try:
+        if not key_concepts:
+            logger.warning("Lista de conceptos vacía")
+            return pd.DataFrame(columns=['Concepto', 'Frecuencia'])
+            
+        df = pd.DataFrame(key_concepts, columns=['Concepto', 'Frecuencia'])
+        df['Frecuencia'] = df['Frecuencia'].round(2)
+        return df
+    except Exception as e:
+        logger.error(f"Error en create_concept_table: {str(e)}")
+        return pd.DataFrame(columns=['Concepto', 'Frecuencia'])
+
+def perform_discourse_analysis(text1, text2, nlp, lang):
+    """
+    Realiza el análisis completo del discurso
+    Args:
+        text1: Primer texto a analizar
+        text2: Segundo texto a analizar
+        nlp: Modelo de spaCy cargado
+        lang: Código de idioma
+    Returns:
+        dict: Resultados del análisis
+    """
+    try:
+        logger.info("Iniciando análisis del discurso...")
+        
+        # Verificar inputs
+        if not text1 or not text2:
+            raise ValueError("Los textos de entrada no pueden estar vacíos")
+            
+        if not nlp:
+            raise ValueError("Modelo de lenguaje no inicializado")
+            
+        # Realizar análisis comparativo
+        fig1, fig2, key_concepts1, key_concepts2 = compare_semantic_analysis(
+            text1, text2, nlp, lang
+        )
+
+        # Crear tablas de resultados
+        table1 = create_concept_table(key_concepts1)
+        table2 = create_concept_table(key_concepts2)
+
+        result = {
+            'graph1': fig1,
+            'graph2': fig2,
+            'key_concepts1': key_concepts1,
+            'key_concepts2': key_concepts2,
+            'table1': table1,
+            'table2': table2,
+            'success': True
+        }
+        
+        logger.info("Análisis del discurso completado exitosamente")
+        return result
+
+    except Exception as e:
+        logger.error(f"Error en perform_discourse_analysis: {str(e)}")
+        plt.close('all')  # Asegurar limpieza de recursos
+        return {
+            'success': False,
+            'error': str(e)
+        }
+    finally:
+        plt.close('all')  # Asegurar limpieza en todos los casos
+
+#################
 def create_concept_table(key_concepts):
     """
     Crea una tabla de conceptos clave con sus frecuencias
@@ -133,6 +231,9 @@ def create_concept_table(key_concepts):
         logger.error(f"Error en create_concept_table: {str(e)}")
         raise
 
+
+
+#################
 def perform_discourse_analysis(text1, text2, nlp, lang):
     """
     Realiza el análisis completo del discurso