diff --git a/backend/app/main.py b/backend/app/main.py
index fe90e8d..cd07129 100644
--- a/backend/app/main.py
+++ b/backend/app/main.py
@@ -209,7 +209,74 @@ def send_completed_inspection_to_n8n(inspection, db):
# No lanzamos excepción para no interrumpir el flujo normal
-BACKEND_VERSION = "1.0.94"
+# ============================================================================
+# UTILIDADES PARA PROCESAMIENTO DE PDFs
+# ============================================================================
+
+def extract_pdf_text_smart(pdf_content: bytes, max_chars: int = None) -> dict:
+ """
+ Extrae texto de un PDF de forma inteligente, evitando duplicaciones
+ y manejando PDFs grandes.
+
+ Args:
+ pdf_content: Contenido del PDF en bytes
+ max_chars: Límite máximo de caracteres (None = sin límite)
+
+ Returns:
+ dict con 'text', 'pages', 'total_chars', 'truncated'
+ """
+ from pypdf import PdfReader
+ from io import BytesIO
+
+ try:
+ pdf_file = BytesIO(pdf_content)
+ pdf_reader = PdfReader(pdf_file)
+
+ full_text = ""
+ pages_processed = 0
+ total_pages = len(pdf_reader.pages)
+
+ for page_num, page in enumerate(pdf_reader.pages, 1):
+ page_text = page.extract_text()
+
+ # Limpiar y validar texto de la página
+ if page_text and page_text.strip():
+ # Evitar duplicación: verificar si el texto ya existe
+ # (algunos PDFs pueden tener páginas repetidas)
+ if page_text.strip() not in full_text:
+ full_text += f"\n--- Página {page_num}/{total_pages} ---\n{page_text.strip()}\n"
+ pages_processed += 1
+
+ # Si hay límite y lo alcanzamos, detener
+ if max_chars and len(full_text) >= max_chars:
+ break
+
+ total_chars = len(full_text)
+ truncated = False
+
+ # Aplicar límite si se especificó
+ if max_chars and total_chars > max_chars:
+ full_text = full_text[:max_chars]
+ truncated = True
+
+ return {
+ 'text': full_text,
+ 'pages': total_pages,
+ 'pages_processed': pages_processed,
+ 'total_chars': total_chars,
+ 'truncated': truncated,
+ 'success': True
+ }
+
+ except Exception as e:
+ return {
+ 'text': '',
+ 'error': str(e),
+ 'success': False
+ }
+
+
+BACKEND_VERSION = "1.0.95"
app = FastAPI(title="Checklist Inteligente API", version=BACKEND_VERSION)
# S3/MinIO configuration
@@ -2598,7 +2665,6 @@ async def analyze_image(
# Guardar archivo temporalmente y procesar según tipo
import base64
- from pypdf import PdfReader
contents = await file.read()
file_type = file.content_type
@@ -2610,34 +2676,30 @@ async def analyze_image(
if is_pdf:
print("📕 Detectado PDF - extrayendo texto...")
- try:
- from io import BytesIO
- pdf_file = BytesIO(contents)
- pdf_reader = PdfReader(pdf_file)
-
- # Extraer texto de todas las páginas
- pdf_text = ""
- for page_num, page in enumerate(pdf_reader.pages):
- pdf_text += f"\n--- Página {page_num + 1} ---\n"
- pdf_text += page.extract_text()
-
- print(f"✅ Texto extraído: {len(pdf_text)} caracteres")
-
- if not pdf_text.strip():
- return {
- "status": "error",
- "message": "No se pudo extraer texto del PDF. Puede ser un PDF escaneado sin OCR."
- }
-
- # Para PDFs usamos análisis de texto, no de imagen
- image_b64 = None
-
- except Exception as e:
- print(f"❌ Error al procesar PDF: {str(e)}")
+
+ # Usar función inteligente de extracción
+ # Para análisis de imagen usamos hasta 100k caracteres (Gemini soporta mucho más)
+ pdf_result = extract_pdf_text_smart(contents, max_chars=100000)
+
+ if not pdf_result['success']:
return {
"status": "error",
- "message": f"Error al procesar PDF: {str(e)}"
+ "message": f"Error al procesar PDF: {pdf_result.get('error', 'Unknown')}"
}
+
+ pdf_text = pdf_result['text']
+ print(f"✅ Texto extraído: {pdf_result['total_chars']} caracteres de {pdf_result['pages_processed']}/{pdf_result['pages']} páginas")
+ if pdf_result['truncated']:
+ print(f"⚠️ PDF truncado a 100k caracteres")
+
+ if not pdf_text.strip():
+ return {
+ "status": "error",
+ "message": "No se pudo extraer texto del PDF. Puede ser un PDF escaneado sin OCR."
+ }
+
+ # Para PDFs usamos análisis de texto, no de imagen
+ image_b64 = None
else:
# Es una imagen
image_b64 = base64.b64encode(contents).decode('utf-8')
@@ -2819,7 +2881,7 @@ NOTA:
{"role": "system", "content": system_prompt},
{
"role": "user",
- "content": f"{user_message}\n\n--- CONTENIDO DEL DOCUMENTO PDF ---\n{pdf_text[:4000]}" # Limitar a 4000 chars
+ "content": f"{user_message}\n\n--- CONTENIDO DEL DOCUMENTO PDF ({len(pdf_text)} caracteres) ---\n{pdf_text[:30000]}" # 30k chars para GPT-4
}
]
else:
@@ -2860,8 +2922,8 @@ NOTA:
prompt = f"{system_prompt}\n\n{user_message}"
if is_pdf:
- # Para PDF, solo texto
- prompt_with_content = f"{prompt}\n\n--- CONTENIDO DEL DOCUMENTO PDF ---\n{pdf_text[:4000]}"
+ # Para PDF, solo texto - Gemini puede manejar contextos muy largos (2M tokens)
+ prompt_with_content = f"{prompt}\n\n--- CONTENIDO DEL DOCUMENTO PDF ({len(pdf_text)} caracteres) ---\n{pdf_text[:100000]}"
response = model.generate_content(prompt_with_content)
else:
# Para imagen, incluir imagen
@@ -3036,8 +3098,6 @@ async def chat_with_ai_assistant(
attached_files_data = []
if files:
import base64
- from pypdf import PdfReader
- from io import BytesIO
for file in files:
file_content = await file.read()
@@ -3051,18 +3111,22 @@ async def chat_with_ai_assistant(
# Si es PDF, extraer texto
if file_type == 'application/pdf' or file.filename.lower().endswith('.pdf'):
- try:
- pdf_file = BytesIO(file_content)
- pdf_reader = PdfReader(pdf_file)
- pdf_text = ""
- for page in pdf_reader.pages:
- pdf_text += page.extract_text()
+ # Usar función inteligente - límite de 50k para chat (balance entre contexto y tokens)
+ pdf_result = extract_pdf_text_smart(file_content, max_chars=50000)
+
+ if pdf_result['success']:
file_info['content_type'] = 'pdf'
- file_info['text'] = pdf_text[:2000] # Limitar texto
- print(f"📄 PDF procesado: {file.filename} - {len(pdf_text)} caracteres")
- except Exception as e:
- print(f"❌ Error procesando PDF {file.filename}: {str(e)}")
- file_info['error'] = str(e)
+ file_info['text'] = pdf_result['text']
+ file_info['total_chars'] = pdf_result['total_chars']
+ file_info['pages'] = pdf_result['pages']
+ file_info['pages_processed'] = pdf_result['pages_processed']
+ file_info['truncated'] = pdf_result['truncated']
+
+ truncated_msg = " (TRUNCADO)" if pdf_result['truncated'] else ""
+ print(f"📄 PDF procesado: {file.filename} - {pdf_result['total_chars']} caracteres, {pdf_result['pages_processed']}/{pdf_result['pages']} páginas{truncated_msg}")
+ else:
+ print(f"❌ Error procesando PDF {file.filename}: {pdf_result.get('error', 'Unknown')}")
+ file_info['error'] = pdf_result.get('error', 'Error desconocido')
# Si es imagen, convertir a base64
elif file_type.startswith('image/'):
@@ -3120,9 +3184,12 @@ INFORMACIÓN DEL VEHÍCULO:
attached_context = f"\n\nARCHIVOS ADJUNTOS EN ESTE MENSAJE ({len(attached_files_data)} archivos):\n"
for idx, file_info in enumerate(attached_files_data, 1):
if file_info.get('content_type') == 'pdf':
- attached_context += f"\n{idx}. PDF: {file_info['filename']}\n"
+ truncated_indicator = " ⚠️TRUNCADO" if file_info.get('truncated') else ""
+ pages_info = f" ({file_info.get('pages_processed', '?')}/{file_info.get('pages', '?')} páginas, {file_info.get('total_chars', '?')} caracteres{truncated_indicator})" if 'pages' in file_info else ""
+ attached_context += f"\n{idx}. PDF: {file_info['filename']}{pages_info}\n"
if 'text' in file_info:
- attached_context += f" Contenido: {file_info['text'][:500]}...\n"
+ # Mostrar más contexto del PDF (primeros 2000 caracteres como preview)
+ attached_context += f" Contenido: {file_info['text'][:2000]}...\n"
elif file_info.get('content_type') == 'image':
attached_context += f"\n{idx}. Imagen: {file_info['filename']}\n"
diff --git a/docs/pdf-extraction-improvements.md b/docs/pdf-extraction-improvements.md
new file mode 100644
index 0000000..ac8cc61
--- /dev/null
+++ b/docs/pdf-extraction-improvements.md
@@ -0,0 +1,155 @@
+# Mejoras en la Extracción de PDFs con IA
+
+## Versión Backend: 1.0.95
+
+## Problema Original
+
+El sistema tenía limitaciones al procesar PDFs con IA:
+
+1. **Límites muy pequeños**: Solo extraía 2,000-4,000 caracteres
+2. **Sin manejo de duplicaciones**: Páginas repetidas se procesaban múltiples veces
+3. **No aprovechaba contextos largos**: Los modelos modernos soportan millones de tokens
+4. **Falta de información**: No reportaba páginas procesadas o si el contenido fue truncado
+
+## Solución Implementada
+
+### 1. Función Centralizada de Extracción
+
+Nueva función `extract_pdf_text_smart()` que:
+- ✅ Extrae texto de forma inteligente
+- ✅ Detecta y evita páginas duplicadas
+- ✅ Maneja límites configurables
+- ✅ Reporta estadísticas completas (páginas, caracteres, truncado)
+- ✅ Manejo robusto de errores
+
+```python
+pdf_result = extract_pdf_text_smart(pdf_content, max_chars=50000)
+# Retorna:
+# {
+# 'text': '...',
+# 'pages': 10,
+# 'pages_processed': 9, # Si una página estaba duplicada
+# 'total_chars': 45000,
+# 'truncated': False,
+# 'success': True
+# }
+```
+
+### 2. Límites Optimizados por Caso de Uso
+
+| Endpoint | Límite Anterior | Límite Nuevo | Modelo Objetivo |
+|----------|----------------|--------------|-----------------|
+| `/api/analyze-image` (OpenAI) | 4,000 chars | 30,000 chars | GPT-4 (128k tokens) |
+| `/api/analyze-image` (Gemini) | 4,000 chars | 100,000 chars | Gemini 1.5/2.0 (2M tokens) |
+| `/api/ai/chat-assistant` | 2,000 chars | 50,000 chars | Equilibrado para contexto |
+
+### 3. Detección de Duplicaciones
+
+El sistema ahora verifica si el contenido de una página ya existe antes de agregarlo:
+
+```python
+if page_text.strip() not in full_text:
+ full_text += f"\n--- Página {page_num}/{total_pages} ---\n{page_text.strip()}\n"
+```
+
+Esto previene:
+- PDFs con páginas idénticas repetidas
+- Documentos mal generados con contenido duplicado
+- Uso innecesario de tokens en el análisis IA
+
+### 4. Información Mejorada
+
+El sistema ahora reporta:
+- **Páginas totales**: Total de páginas en el PDF
+- **Páginas procesadas**: Páginas únicas con contenido
+- **Caracteres totales**: Tamaño real del texto extraído
+- **Indicador de truncado**: Si el PDF fue limitado
+
+Ejemplo de output:
+```
+📄 PDF procesado: manual-vehiculo.pdf - 87450 caracteres, 8/10 páginas (TRUNCADO)
+```
+
+## Capacidades de Contexto por Modelo
+
+### OpenAI GPT-4
+- **Contexto**: ~128,000 tokens (~500,000 caracteres)
+- **Límite aplicado**: 30,000 caracteres
+- **Razón**: Balance entre contexto útil y costo
+
+### Gemini 1.5/2.0 Pro
+- **Contexto**: 2,000,000 tokens (~8,000,000 caracteres)
+- **Límite aplicado**: 100,000 caracteres
+- **Razón**: Aprovechar contexto masivo sin sobrecargar
+
+### Chat Assistant
+- **Límite**: 50,000 caracteres
+- **Razón**: Incluye historial + contexto de fotos + PDF
+
+## Casos de Uso Soportados
+
+### ✅ PDFs Pequeños (1-5 páginas)
+Extracción completa sin truncado
+
+### ✅ PDFs Medianos (5-20 páginas)
+Extracción completa o parcial según contenido
+
+### ✅ PDFs Grandes (20+ páginas)
+Extracción inteligente con truncado después de límite
+
+### ✅ PDFs con Páginas Duplicadas
+Detección automática y eliminación
+
+### ✅ Múltiples PDFs en Chat
+Cada uno procesado independientemente con su límite
+
+## Indicadores de Estado
+
+### En Logs del Servidor
+```
+📄 PDF procesado: documento.pdf - 25000 caracteres, 10/10 páginas
+📄 PDF procesado: manual.pdf - 50000 caracteres, 15/20 páginas (TRUNCADO)
+```
+
+### En Respuesta al Cliente
+```json
+{
+ "attached_files": [
+ {
+ "filename": "manual.pdf",
+ "type": "application/pdf",
+ "pages": 20,
+ "pages_processed": 15,
+ "total_chars": 75000,
+ "truncated": true
+ }
+ ]
+}
+```
+
+## Próximas Mejoras Potenciales
+
+1. **Chunking Inteligente**: Para PDFs muy grandes, dividir en chunks semánticos
+2. **OCR Integrado**: Detectar PDFs escaneados y aplicar OCR automático
+3. **Resumen Automático**: Para PDFs grandes, generar resumen antes de análisis
+4. **Cache de Extracciones**: Guardar texto extraído en DB para reutilización
+
+## Migración
+
+No requiere migración de base de datos. Los cambios son retrocompatibles.
+
+## Testing
+
+Para probar las mejoras:
+
+1. **PDF pequeño** (< 10 páginas): Debe procesarse completo
+2. **PDF grande** (> 50 páginas): Debe truncarse y reportar info
+3. **PDF con duplicados**: Debe eliminar páginas repetidas
+4. **Múltiples PDFs**: Cada uno procesado independientemente
+
+## Notas Técnicas
+
+- La función `extract_pdf_text_smart()` está en `main.py` línea ~210
+- Usa `pypdf.PdfReader` para extracción
+- Maneja encoding UTF-8 automáticamente
+- Thread-safe (usa BytesIO)
diff --git a/frontend/public/ayutec_logo.webp b/frontend/public/ayutec_logo.webp
new file mode 100644
index 0000000..2fe08dc
Binary files /dev/null and b/frontend/public/ayutec_logo.webp differ
diff --git a/frontend/src/Sidebar.jsx b/frontend/src/Sidebar.jsx
index 767cbaa..72c8071 100644
--- a/frontend/src/Sidebar.jsx
+++ b/frontend/src/Sidebar.jsx
@@ -20,9 +20,9 @@ export default function Sidebar({ user, activeTab, setActiveTab, sidebarOpen, se
{sidebarOpen && (
Ayutec
@@ -141,16 +141,21 @@ export default function Sidebar({ user, activeTab, setActiveTab, sidebarOpen, se
{/* Versión */}
{sidebarOpen && (
)}