src/preprocess.py

from langchain_community.document_loaders import PyMuPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
import re

class Loader:
    """Clase encargada de la carga desde PDFs, 
    admite PDFs con texto seleccionable unicamente. Realiza
    carga y devuelve lista de chunks de texto.
    """
    def __init__(self, path: str):
        self.path = path

    def load_docs(self, pag: slice = None):
        """Carga el PDF y devuelve lista de chunks de texto."""
        loader = PyMuPDFLoader(self.path)
        docs = loader.load()
        if pag:
            docs = docs[pag]
        return [doc.page_content for doc in docs]

    @staticmethod
    def limpiar_texto(texto: str) -> str:
        """
        Limpia el texto eliminando caracteres basura y normalizando espacios y saltos de línea.
        Esta función está diseñada para preprocesar libros u otros documentos largos,
        facilitando su uso en aplicaciones de Retrieval Augmented Generation (RAG).

        Args:
            texto (str): El texto original a limpiar.

        Returns:
            str: El texto limpio.
        """
        # 1. Eliminar saltos de línea, tabulaciones y otros caracteres de control
        texto = re.sub(r'[\r\n\t]+', ' ', texto)
        
        # 2. Eliminar caracteres no imprimibles (códigos de control)
        texto = re.sub(r'[\x00-\x1F\x7F]', '', texto)
        
        # 3. Sustituir múltiples espacios por uno solo
        texto = re.sub(r'\s+', ' ', texto)
        
        # 4. Eliminar caracteres que no sean letras, dígitos o signos de puntuación comunes
        # Se conservan letras con acentos y caracteres propios del español.
        texto = re.sub(r'[^\w\s.,;:¡!¿?\-áéíóúÁÉÍÓÚñÑ]', '', texto)
        
        # 5. Eliminar espacios al inicio y al final
        texto = texto.strip()
        
        return texto
    
    @staticmethod
    def splitter(texto, chunk_size, chunk_overlap):
        """
        Divide el texto en chunks

        Args:
            chunk_size (int): Largo del chunk.
            chunk_overlap (int): Sobreposición de chunks.
            texto (list): lista de textos a procesar.

        Returns:
            list: Los textos en chunks.
        """
        splitter = RecursiveCharacterTextSplitter(
                chunk_size=chunk_size,
                chunk_overlap=chunk_overlap,
                length_function=len,
                separators=["\n\n", "\n", " ", ""]
            )
        chunks = splitter.create_documents(texto)

        return chunks