version inicial

app.py

@@ -6,15 +6,24 @@ from sklearn.ensemble import IsolationForest
 import matplotlib.pyplot as plt
 import seaborn as sns
 
-# --- PASO 1: LA FUNCIÓN DE ANÁLISIS (SIN CAMBIOS) ---
+# --- PASO 1: LA FUNCIÓN DE ANÁLISIS (CON LECTURA DE ARCHIVO CORREGIDA) ---
 def analizar_logs_completo(archivo_log):
     if archivo_log is None:
         return "Por favor, sube un archivo de log para comenzar el análisis.", None, None, None, None
 
     try:
-        # --- Lectura y Preparación de Datos ---
-        df_logs = pd.read_csv(archivo_log.name, header=None, names=['raw_log'], sep='\n', on_bad_lines='skip', engine='python')
-        df_logs.dropna(inplace=True)
+        # --- Lectura y Preparación de Datos (MÉTODO CORREGIDO) ---
+        # Leemos el archivo de la forma más robusta: línea por línea, ignorando errores de codificación.
+        with open(archivo_log.name, 'r', encoding='utf-8', errors='ignore') as f:
+            lines = f.readlines()
+        
+        # Creamos el DataFrame a partir de la lista de líneas
+        df_logs = pd.DataFrame(lines, columns=['raw_log'])
+        
+        # Limpiamos líneas vacías o con solo espacios en blanco que puedan causar problemas
+        df_logs['raw_log'] = df_logs['raw_log'].str.strip()
+        df_logs.dropna(subset=['raw_log'], inplace=True)
+        df_logs = df_logs[df_logs['raw_log'] != '']
 
         if df_logs.empty:
             return "El archivo de log está vacío o no se pudo leer correctamente.", None, None, None, None
@@ -88,16 +97,16 @@ def analizar_logs_completo(archivo_log):
         return summary_md, templates_md, anomalies_md, fig1, fig2
 
     except Exception as e:
-        error_message = f"Ha ocurrido un error durante el análisis: {e}"
+        import traceback
+        error_message = f"Ha ocurrido un error durante el análisis:\n\n{traceback.format_exc()}"
         return error_message, None, None, None, None
 
-# --- PASO 2: CONSTRUIR LA INTERFAZ DE GRADIO (VERSIÓN CORREGIDA) ---
 
+# --- PASO 2: CONSTRUIR LA INTERFAZ DE GRADIO (SIN CAMBIOS) ---
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
     gr.Markdown("# 🔍 Analizador Avanzado de Logs con Machine Learning")
     gr.Markdown("Sube un archivo de log (.log, .txt) para realizar un análisis completo que incluye detección de errores por reglas y detección de anomalías con un modelo de ML (Isolation Forest).")
 
-    # --- Definir la Disposición Visual de la UI ---
     with gr.Row():
         with gr.Column(scale=1):
             log_file_input = gr.File(label="Sube tu archivo de log", file_types=[".log", ".txt"])
@@ -111,9 +120,6 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
             templates_output = gr.Markdown(label="Plantillas Comunes")
             anomalies_output = gr.Markdown(label="Anomalías Detectadas")
     
-    # --- Definir el Componente de Ejemplos ---
-    # Al definirlo aquí, aparecerá debajo de las columnas anteriores.
-    # Todos los componentes (inputs y outputs) ya existen y se pueden referenciar.
     gr.Examples(
         examples=[["sample.log"]],
         inputs=log_file_input,
@@ -123,8 +129,6 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
         label="O prueba con un archivo de ejemplo"
     )
 
-    # --- Conectar el Evento del Botón ---
-    # Esta es la acción principal cuando el usuario hace clic en el botón.
     analyze_button.click(
         fn=analizar_logs_completo,
         inputs=log_file_input,