270 lines
9.4 KiB
Python
270 lines
9.4 KiB
Python
from psycopg2 import extras
|
|
from typing import List, Dict, Optional, Tuple, Any
|
|
import os
|
|
# from sentence_transformers import SentenceTransformer (Moved to functions to avoid heavy start-up)
|
|
|
|
|
|
def _extraer_tags_por_traduccion(cur, traduccion_ids: List[int]) -> Dict[int, List[tuple]]:
|
|
"""Obtiene tags agrupados por traducción."""
|
|
tags_por_tr = {}
|
|
|
|
if not traduccion_ids:
|
|
return tags_por_tr
|
|
|
|
cur.execute(
|
|
"""
|
|
SELECT tn.traduccion_id, tg.valor, tg.tipo
|
|
FROM tags_noticia tn
|
|
JOIN tags tg ON tg.id = tn.tag_id
|
|
WHERE tn.traduccion_id = ANY(%s);
|
|
""",
|
|
(traduccion_ids,),
|
|
)
|
|
rows = cur.fetchall()
|
|
|
|
for tr_id, valor, tipo in rows:
|
|
tags_por_tr.setdefault(tr_id, []).append((valor, tipo))
|
|
|
|
return tags_por_tr
|
|
|
|
|
|
def buscar_noticias(
|
|
conn,
|
|
page: int,
|
|
per_page: int,
|
|
q: str = "",
|
|
categoria_id: Optional[str] = None,
|
|
continente_id: Optional[str] = None,
|
|
pais_id: Optional[str] = None,
|
|
fecha: Optional[str] = None,
|
|
lang: str = "es",
|
|
use_tr: bool = True,
|
|
skip_count: bool = False,
|
|
) -> Tuple[List[Dict], int, int, Dict]:
|
|
"""
|
|
Búsqueda avanzada de noticias con filtros:
|
|
- fecha
|
|
- país / continente
|
|
- categoría
|
|
- búsqueda fulltext + ILIKE
|
|
- traducciones
|
|
- paginación
|
|
"""
|
|
offset = (page - 1) * per_page
|
|
|
|
where = ["1=1"]
|
|
params = []
|
|
|
|
# Filtro por fecha exacta
|
|
if fecha:
|
|
where.append("n.fecha::date = %s")
|
|
params.append(fecha)
|
|
|
|
# Categoría
|
|
if categoria_id:
|
|
where.append("n.categoria_id = %s")
|
|
params.append(int(categoria_id))
|
|
|
|
# País o continente
|
|
if pais_id:
|
|
where.append("n.pais_id = %s")
|
|
params.append(int(pais_id))
|
|
elif continente_id:
|
|
where.append("p.continente_id = %s")
|
|
params.append(int(continente_id))
|
|
|
|
# Búsqueda optimizada usando FTS (Full Text Search)
|
|
if q:
|
|
if use_tr:
|
|
where.append(
|
|
"""
|
|
(
|
|
n.search_vector_es @@ websearch_to_tsquery('spanish', %s)
|
|
OR t.search_vector_es @@ websearch_to_tsquery('spanish', %s)
|
|
)
|
|
"""
|
|
)
|
|
params.extend([q, q])
|
|
else:
|
|
where.append("n.search_vector_es @@ websearch_to_tsquery('spanish', %s)")
|
|
params.append(q)
|
|
|
|
where_sql = " AND ".join(where)
|
|
|
|
with conn.cursor(cursor_factory=extras.DictCursor) as cur:
|
|
|
|
# =====================================================================
|
|
# TOTAL DE RESULTADOS (OPTIMIZADO)
|
|
# =====================================================================
|
|
total_results = 0
|
|
total_pages = 0
|
|
|
|
if not skip_count:
|
|
# Si no hay filtros de búsqueda de texto ni filtros complejos, usar estimación rápida
|
|
if not q and not categoria_id and not pais_id and not continente_id and not fecha:
|
|
cur.execute("SELECT reltuples::bigint FROM pg_class WHERE relname = 'noticias'")
|
|
row = cur.fetchone()
|
|
total_results = row[0] if row else 0
|
|
else:
|
|
# Conteo exacto si hay filtros (necesario para paginación filtrada)
|
|
cur.execute(
|
|
f"""
|
|
SELECT COUNT(n.id)
|
|
FROM noticias n
|
|
LEFT JOIN categorias c ON c.id = n.categoria_id
|
|
LEFT JOIN paises p ON p.id = n.pais_id
|
|
LEFT JOIN traducciones t
|
|
ON t.noticia_id = n.id
|
|
AND t.lang_to = %s
|
|
AND t.status = 'done'
|
|
WHERE {where_sql}
|
|
""",
|
|
[lang] + params,
|
|
)
|
|
total_results = cur.fetchone()[0]
|
|
|
|
total_pages = (total_results // per_page) + (1 if total_results % per_page else 0)
|
|
|
|
# =====================================================================
|
|
# LISTA DE NOTICIAS PAGINADAS
|
|
# =====================================================================
|
|
cur.execute(
|
|
f"""
|
|
SELECT
|
|
n.id,
|
|
n.titulo,
|
|
n.resumen,
|
|
n.url,
|
|
n.fecha,
|
|
n.imagen_url,
|
|
n.fuente_nombre,
|
|
c.nombre AS categoria,
|
|
p.nombre AS pais,
|
|
|
|
-- traducciones
|
|
t.id AS traduccion_id,
|
|
t.titulo_trad AS titulo_traducido,
|
|
t.resumen_trad AS resumen_traducido,
|
|
CASE WHEN t.id IS NOT NULL THEN TRUE ELSE FALSE END AS tiene_traduccion,
|
|
|
|
-- originales
|
|
n.titulo AS titulo_original,
|
|
n.resumen AS resumen_original
|
|
|
|
FROM noticias n
|
|
LEFT JOIN categorias c ON c.id = n.categoria_id
|
|
LEFT JOIN paises p ON p.id = n.pais_id
|
|
LEFT JOIN traducciones t
|
|
ON t.noticia_id = n.id
|
|
AND t.lang_to = %s
|
|
AND t.status = 'done'
|
|
WHERE {where_sql}
|
|
ORDER BY n.fecha DESC NULLS LAST, n.id DESC
|
|
LIMIT %s OFFSET %s
|
|
""",
|
|
[lang] + params + [per_page, offset],
|
|
)
|
|
noticias = cur.fetchall()
|
|
|
|
# =====================================================================
|
|
# TAGS POR TRADUCCIÓN
|
|
# =====================================================================
|
|
tr_ids = [n["traduccion_id"] for n in noticias if n["traduccion_id"]]
|
|
tags_por_tr = _extraer_tags_por_traduccion(cur, tr_ids)
|
|
|
|
return noticias, total_results, total_pages, tags_por_tr
|
|
|
|
|
|
# Cache del modelo para no cargarlo en cada petición
|
|
_model_cache = {}
|
|
|
|
def _get_emb_model():
|
|
from sentence_transformers import SentenceTransformer
|
|
model_name = os.environ.get("EMB_MODEL", "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
|
|
if model_name not in _model_cache:
|
|
device = "cuda" if torch.cuda.is_available() else "cpu"
|
|
_model_cache[model_name] = SentenceTransformer(model_name, device=device)
|
|
return _model_cache[model_name], model_name
|
|
|
|
def buscar_noticias_semantica(
|
|
conn,
|
|
page: int,
|
|
per_page: int,
|
|
q: str,
|
|
categoria_id: Optional[str] = None,
|
|
continente_id: Optional[str] = None,
|
|
pais_id: Optional[str] = None,
|
|
fecha: Optional[str] = None,
|
|
lang: str = "es",
|
|
) -> Tuple[List[Dict], int, int, Dict]:
|
|
"""
|
|
Búsqueda semántica usando embeddings y similitud coseno (vía producto punto si están normalizados).
|
|
"""
|
|
if not q.strip():
|
|
return buscar_noticias(conn, page, per_page, "", categoria_id, continente_id, pais_id, fecha, lang)
|
|
|
|
offset = (page - 1) * per_page
|
|
model, model_name = _get_emb_model()
|
|
|
|
# Generar embedding de la consulta
|
|
q_emb = model.encode([q], normalize_embeddings=True)[0].tolist()
|
|
|
|
where = ["t.status = 'done'", "t.lang_to = %s"]
|
|
params = [lang]
|
|
|
|
if fecha:
|
|
where.append("n.fecha::date = %s")
|
|
params.append(fecha)
|
|
if categoria_id:
|
|
where.append("n.categoria_id = %s")
|
|
params.append(int(categoria_id))
|
|
if pais_id:
|
|
where.append("n.pais_id = %s")
|
|
params.append(int(pais_id))
|
|
elif continente_id:
|
|
where.append("p.continente_id = %s")
|
|
params.append(int(continente_id))
|
|
|
|
where_sql = " AND ".join(where)
|
|
|
|
with conn.cursor(cursor_factory=extras.DictCursor) as cur:
|
|
# Consulta de búsqueda vectorial (usamos un array_agg o similar para el producto punto si no hay pgvector)
|
|
# Nota: Aquí asumo que usamos producto punto entre arrays de double precision
|
|
query_sql = f"""
|
|
WITH similarity AS (
|
|
SELECT
|
|
te.traduccion_id,
|
|
(
|
|
SELECT SUM(a*b)
|
|
FROM unnest(te.embedding, %s::double precision[]) AS t(a,b)
|
|
) AS score
|
|
FROM traduccion_embeddings te
|
|
WHERE te.model = %s
|
|
)
|
|
SELECT
|
|
n.id, n.titulo, n.resumen, n.url, n.fecha, n.imagen_url, n.fuente_nombre,
|
|
c.nombre AS categoria, p.nombre AS pais,
|
|
t.id AS traduccion_id, t.titulo_trad AS titulo_traducido, t.resumen_trad AS resumen_traducido,
|
|
TRUE AS tiene_traduccion, s.score
|
|
FROM similarity s
|
|
JOIN traducciones t ON t.id = s.traduccion_id
|
|
JOIN noticias n ON n.id = t.noticia_id
|
|
LEFT JOIN categorias c ON c.id = n.categoria_id
|
|
LEFT JOIN paises p ON p.id = n.pais_id
|
|
WHERE {where_sql}
|
|
ORDER BY n.fecha DESC NULLS LAST, s.score DESC
|
|
LIMIT %s OFFSET %s
|
|
"""
|
|
|
|
# Para el conteo total en semántica podemos simplificar o usar el mismo WHERE
|
|
cur.execute(f"SELECT COUNT(*) FROM traducciones t JOIN noticias n ON n.id = t.noticia_id LEFT JOIN paises p ON p.id = n.pais_id WHERE {where_sql}", params)
|
|
total_results = cur.fetchone()[0]
|
|
total_pages = (total_results // per_page) + (1 if total_results % per_page else 0)
|
|
|
|
cur.execute(query_sql, [q_emb, model_name] + params + [per_page, offset])
|
|
noticias = cur.fetchall()
|
|
|
|
tr_ids = [n["traduccion_id"] for n in noticias]
|
|
tags_por_tr = _extraer_tags_por_traduccion(cur, tr_ids)
|
|
|
|
return noticias, total_results, total_pages, tags_por_tr
|