Update modules/text_analysis/discourse_analysis.py

modules/text_analysis/discourse_analysis.py

@@ -85,13 +85,6 @@ ENTITY_LABELS = {
 def compare_semantic_analysis(text1, text2, nlp, lang):
     """
     Realiza el análisis semántico comparativo entre dos textos
-    Args:
-        text1: Primer texto a analizar
-        text2: Segundo texto a analizar
-        nlp: Modelo de spaCy cargado
-        lang: Código de idioma
-    Returns:
-        tuple: (fig1, fig2, key_concepts1, key_concepts2)
     """
     try:
         logger.info(f"Iniciando análisis comparativo para idioma: {lang}")
@@ -104,7 +97,7 @@ def compare_semantic_analysis(text1, text2, nlp, lang):
         doc1 = nlp(text1)
         doc2 = nlp(text2)
         
-        # Identificar conceptos clave con parámetros específicos
+        # Identificar conceptos clave
         logger.info("Identificando conceptos clave del primer texto...")
         key_concepts1 = identify_key_concepts(doc1, stopwords=stopwords, min_freq=2, min_length=3)
         
@@ -114,22 +107,24 @@ def compare_semantic_analysis(text1, text2, nlp, lang):
         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
+        # Crear grafos
         logger.info("Creando grafos de conceptos...")
         G1 = create_concept_graph(doc1, key_concepts1)
         G2 = create_concept_graph(doc2, key_concepts2)
 
+        # Visualizar grafos
         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 y ajustar
-        fig1.suptitle("", pad=20)
-        fig2.suptitle("", pad=20)
+        # Primer grafo
+        plt.figure(figsize=(12, 8))
+        fig1 = visualize_concept_graph(G1, lang)
+        plt.title("Análisis del primer texto", pad=20)
+        plt.tight_layout()
         
-        # Ajustar diseño
+        # Segundo grafo
+        plt.figure(figsize=(12, 8))
+        fig2 = visualize_concept_graph(G2, lang)
+        plt.title("Análisis del segundo texto", pad=20)
         plt.tight_layout()
 
         logger.info("Análisis comparativo completado exitosamente")
@@ -139,7 +134,11 @@ def compare_semantic_analysis(text1, text2, nlp, lang):
         logger.error(f"Error en compare_semantic_analysis: {str(e)}")
         plt.close('all')  # Limpiar recursos en caso de error
         raise
+    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
@@ -160,16 +159,11 @@ def create_concept_table(key_concepts):
         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...")
@@ -182,13 +176,21 @@ def perform_discourse_analysis(text1, text2, nlp, lang):
             raise ValueError("Modelo de lenguaje no inicializado")
             
         # Realizar análisis comparativo
-        fig1, fig2, key_concepts1, key_concepts2 = compare_semantic_analysis(
-            text1, text2, nlp, lang
-        )
+        try:
+            fig1, fig2, key_concepts1, key_concepts2 = compare_semantic_analysis(
+                text1, text2, nlp, lang
+            )
+        except Exception as e:
+            logger.error(f"Error en el análisis comparativo: {str(e)}")
+            raise
 
         # Crear tablas de resultados
-        table1 = create_concept_table(key_concepts1)
-        table2 = create_concept_table(key_concepts2)
+        try:
+            table1 = create_concept_table(key_concepts1)
+            table2 = create_concept_table(key_concepts2)
+        except Exception as e:
+            logger.error(f"Error creando tablas de conceptos: {str(e)}")
+            raise
 
         result = {
             'graph1': fig1,
@@ -205,7 +207,6 @@ def perform_discourse_analysis(text1, text2, nlp, lang):
 
     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)
@@ -213,7 +214,7 @@ def perform_discourse_analysis(text1, text2, nlp, lang):
     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
@@ -230,8 +231,6 @@ 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):
     """