File size: 6,776 Bytes
3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 c9030f8 3657e14 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 |
# modules/database/semantic_mongo_live_db.py
import logging
from datetime import datetime, timezone
import base64
from bson import Binary
from pymongo.errors import PyMongoError
# Configuración del logger
logger = logging.getLogger(__name__)
COLLECTION_NAME = 'student_semantic_live_analysis'
def store_student_semantic_live_result(username, text, analysis_result, lang_code='en'):
"""
Guarda el resultado del análisis semántico en vivo en MongoDB.
Versión mejorada con manejo robusto de errores y verificación de datos.
"""
try:
# 1. Validación exhaustiva de los parámetros de entrada
if not username or not isinstance(username, str):
logger.error("Nombre de usuario inválido o vacío")
return False
if not text or not isinstance(text, str):
logger.error("Texto de análisis inválido o vacío")
return False
if not analysis_result or not isinstance(analysis_result, dict):
logger.error("Resultado de análisis inválido o vacío")
return False
# 2. Preparación del gráfico conceptual con múltiples formatos soportados
concept_graph_data = None
if 'concept_graph' in analysis_result and analysis_result['concept_graph'] is not None:
try:
graph_data = analysis_result['concept_graph']
if isinstance(graph_data, bytes):
# Codificar a base64 para almacenamiento eficiente
concept_graph_data = base64.b64encode(graph_data).decode('utf-8')
elif isinstance(graph_data, str):
# Si ya es string (base64), usarlo directamente
concept_graph_data = graph_data
elif isinstance(graph_data, Binary):
# Si es Binary de pymongo, convertirlo
concept_graph_data = base64.b64encode(graph_data).decode('utf-8')
else:
logger.warning(f"Formato de gráfico no soportado: {type(graph_data)}")
except Exception as e:
logger.error(f"Error al procesar gráfico conceptual: {str(e)}", exc_info=True)
# Continuar sin gráfico en lugar de fallar completamente
# 3. Preparación del documento con validación de campos
analysis_document = {
'username': username,
'timestamp': datetime.now(timezone.utc),
'text': text[:10000], # Limitar tamaño para prevenir documentos muy grandes
'analysis_type': 'semantic_live',
'language': lang_code,
'metadata': {
'version': '1.0',
'source': 'live_interface'
}
}
# Campos opcionales con validación
if 'key_concepts' in analysis_result and isinstance(analysis_result['key_concepts'], list):
analysis_document['key_concepts'] = analysis_result['key_concepts'][:50] # Limitar a 50 conceptos
if 'concept_centrality' in analysis_result and isinstance(analysis_result['concept_centrality'], dict):
analysis_document['concept_centrality'] = analysis_result['concept_centrality']
if concept_graph_data:
analysis_document['concept_graph'] = concept_graph_data
# 4. Operación de base de datos con manejo de errores específico
try:
collection = get_collection(COLLECTION_NAME)
if not collection:
logger.error("No se pudo obtener la colección MongoDB")
return False
result = collection.insert_one(analysis_document)
if result.inserted_id:
logger.info(f"Análisis guardado exitosamente para {username}. ID: {result.inserted_id}")
return True
logger.error("La operación de inserción no devolvió un ID")
return False
except PyMongoError as mongo_error:
logger.error(f"Error de MongoDB al guardar análisis: {str(mongo_error)}", exc_info=True)
return False
except Exception as e:
logger.error(f"Error inesperado al guardar análisis: {str(e)}", exc_info=True)
return False
def get_student_semantic_live_analysis(username, limit=10):
"""
Recupera los análisis semánticos en vivo de un estudiante.
Versión mejorada con paginación y manejo de errores.
"""
try:
# Validación de parámetros
if not username or not isinstance(username, str):
logger.error("Nombre de usuario inválido para recuperación")
return []
if not isinstance(limit, int) or limit <= 0:
limit = 10 # Valor por defecto si el límite es inválido
# Consulta con proyección para optimizar transferencia
query = {
"username": username,
"analysis_type": "semantic_live"
}
projection = {
"timestamp": 1,
"text": {"$substr": ["$text", 0, 200]}, # Solo primeros 200 caracteres
"key_concepts": {"$slice": ["$key_concepts", 10]}, # Solo primeros 10 conceptos
"concept_graph": 1,
"_id": 1,
"metadata": 1
}
# Operación de base de datos con manejo de errores
try:
collection = get_collection(COLLECTION_NAME)
if not collection:
logger.error("No se pudo obtener la colección MongoDB")
return []
cursor = collection.find(query, projection).sort("timestamp", -1).limit(limit)
results = list(cursor)
# Post-procesamiento para asegurar formato consistente
for doc in results:
if 'concept_graph' in doc and isinstance(doc['concept_graph'], str):
try:
# Convertir base64 string a bytes para compatibilidad
doc['concept_graph'] = base64.b64decode(doc['concept_graph'])
except Exception as e:
logger.warning(f"Error al decodificar gráfico: {str(e)}")
doc.pop('concept_graph', None)
logger.info(f"Recuperados {len(results)} análisis para {username}")
return results
except PyMongoError as mongo_error:
logger.error(f"Error de MongoDB al recuperar análisis: {str(mongo_error)}")
return []
except Exception as e:
logger.error(f"Error inesperado al recuperar análisis: {str(e)}", exc_info=True)
return []
__all__ = [
'store_student_semantic_live_result',
'get_student_semantic_live_analysis'
] |