Update app.py

app.py

@@ -1,11 +1,10 @@
-# app.py
-
 import subprocess
 import os
 import shutil 
 from pathlib import Path
 from datasets import load_dataset, Audio
 import gradio as gr
+import time
 
 # ----------------------------------------------------------------------
 # 1. FUNCIONES DE DESCARGA Y PROCESAMIENTO
@@ -16,13 +15,12 @@ def download_clip(
     output_filename,
     start_time,
     end_time,
-    num_attempts=5,
+    num_attempts=3,
     url_base='https://www.youtube.com/watch?v='
 ):
-    """Descarga un clip de YouTube usando yt-dlp."""
-    status = False
+    """Descarga un clip de YouTube usando yt-dlp con mejor manejo de errores."""
     
-    # Comando para descargar el clip
+    # Comando mejorado con más opciones de compatibilidad
     command = [
         "yt-dlp",
         "--quiet",
@@ -30,28 +28,44 @@ def download_clip(
         "--no-warnings",
         "-x",
         "--audio-format", "wav",
-        "-f", "bestaudio",
+        "-f", "bestaudio/best",
+        "--no-check-certificate",  # Evita problemas de SSL
+        "--prefer-insecure",
+        "--socket-timeout", "30",
+        "--retries", "3",
         "-o", output_filename,
         "--download-sections", f"*{start_time}-{end_time}",
         f"{url_base}{video_identifier}"
     ]
 
-    attempts = 0
-    while True:
+    for attempt in range(num_attempts):
         try:
-            # Ejecutamos el comando
-            subprocess.check_output(command, stderr=subprocess.STDOUT)
-        except subprocess.CalledProcessError as err:
-            attempts += 1
-            if attempts == num_attempts:
-                # Retornar error si se agotan los intentos
-                return status, err.output.decode('utf-8')
-        else:
-            break
-
-    # Verificar si el archivo se guardó
-    status = os.path.exists(output_filename)
-    return status, 'Downloaded'
+            result = subprocess.run(
+                command, 
+                capture_output=True, 
+                text=True,
+                timeout=60  # Timeout de 60 segundos
+            )
+            
+            # Verificar si el archivo existe y tiene tamaño > 0
+            if os.path.exists(output_filename) and os.path.getsize(output_filename) > 0:
+                return True, 'Downloaded successfully'
+            
+            if attempt < num_attempts - 1:
+                time.sleep(2)  # Esperar antes de reintentar
+                
+        except subprocess.TimeoutExpired:
+            print(f"Timeout en intento {attempt + 1} para {video_identifier}")
+            if attempt < num_attempts - 1:
+                time.sleep(2)
+        except Exception as e:
+            print(f"Error en intento {attempt + 1} para {video_identifier}: {str(e)}")
+            if attempt < num_attempts - 1:
+                time.sleep(2)
+    
+    # Si llegamos aquí, la descarga falló
+    error_msg = f"Failed after {num_attempts} attempts"
+    return False, error_msg
 
 
 def main(
@@ -60,7 +74,6 @@ def main(
     limit: int = None,
     num_proc: int = 1,
     writer_batch_size: int = 1000,
-    cast_audio: bool = True # Nuevo parámetro
 ):
     """
     Descarga los clips de MusicCaps, procesa el dataset y maneja la limpieza.
@@ -68,7 +81,7 @@ def main(
 
     data_dir_path = Path(data_dir)
     
-    # 💥 CORRECCIÓN DE ESPACIO: LIMPIEZA DE DISCO (1 GB LIMIT)
+    # Limpieza de disco
     if data_dir_path.exists():
         shutil.rmtree(data_dir_path)
         print(f"Limpiando el directorio {data_dir} para liberar espacio.")
@@ -93,13 +106,17 @@ def main(
                 example['start_s'],
                 example['end_s'],
             )
+            if not status:
+                print(f"❌ Falló descarga de {example['ytid']}: {log}")
+        else:
+            # Si el archivo existe, verificar que tenga contenido
+            status = os.path.getsize(outfile_path) > 0
 
-        example['audio'] = outfile_path
+        example['audio'] = outfile_path if status else ""
         example['download_status'] = status
         return example
 
-    # Usar ds.map para descargar y actualizar el dataset
-    # En esta etapa, 'audio' es solo una cadena (str) de la ruta.
+    # Descargar y actualizar el dataset
     ds = ds.map(
         process,
         num_proc=num_proc,
@@ -107,28 +124,53 @@ def main(
         keep_in_memory=False
     )
     
-    # Aplicar cast_column SÓLO si se solicita. Ahora lo haremos fuera de main.
-    if cast_audio:
-         ds = ds.cast_column('audio', Audio(sampling_rate=sampling_rate))
-    
     return ds
 
 # ----------------------------------------------------------------------
 # 2. CARGA DEL DATASET AL INICIO Y FILTRADO
 # ----------------------------------------------------------------------
 
-# 1. Llamar a main SIN aplicar cast_column inmediatamente.
-ds = main('./music_data', num_proc=1, limit=15, cast_audio=False) 
+print("=" * 60)
+print("INICIANDO APLICACIÓN MUSICCAPS DEMO")
+print("=" * 60)
+
+# Intentar con más ejemplos para aumentar probabilidad de éxito
+ds = main('./music_data', num_proc=1, limit=30)  # Aumentado a 30
 print(f"Dataset cargado. Total de ejemplos antes del filtro: {len(ds)}")
 
-# 2. FILTRAR: Esto ahora funciona porque 'audio' es una ruta (str), no un objeto Audio.
-#    datasets no intenta decodificar archivos inexistentes.
+# Filtrar ejemplos válidos
 ds = ds.filter(lambda example: example['download_status'] == True)
-print(f"Ejemplos válidos después del filtro: {len(ds)}")
+print(f"✅ Ejemplos válidos después del filtro: {len(ds)}")
 
-# 3. ASIGNACIÓN DEL TIPO AUDIO: Aplicamos el tipo solo a los ejemplos válidos.
-ds = ds.cast_column('audio', Audio(sampling_rate=44100))
+# Si no hay ejemplos válidos, intentar con otro rango
+if len(ds) == 0:
+    print("⚠️  Primer intento falló. Intentando con ejemplos 100-130...")
+    full_ds = load_dataset('google/MusicCaps', split='train')
+    ds = full_ds.select(range(100, 130))
+    
+    data_dir_path = Path('./music_data')
+    def process(example):
+        outfile_path = str(data_dir_path / f"{example['ytid']}.wav")
+        status = False
+        if not os.path.exists(outfile_path):
+            status, log = download_clip(
+                example['ytid'],
+                outfile_path,
+                example['start_s'],
+                example['end_s'],
+            )
+        example['audio'] = outfile_path if status else ""
+        example['download_status'] = status
+        return example
+    
+    ds = ds.map(process, num_proc=1, keep_in_memory=False)
+    ds = ds.filter(lambda example: example['download_status'] == True)
+    print(f"✅ Ejemplos válidos en segundo intento: {len(ds)}")
 
+# Aplicar tipo Audio solo si hay ejemplos válidos
+if len(ds) > 0:
+    ds = ds.cast_column('audio', Audio(sampling_rate=44100))
+    print(f"🎵 Dataset preparado con {len(ds)} ejemplos")
 
 # ----------------------------------------------------------------------
 # 3. INTERFAZ GRADIO
@@ -136,36 +178,56 @@ ds = ds.cast_column('audio', Audio(sampling_rate=44100))
 
 def get_example(idx):
     """Función que Gradio llama al mover el slider."""
-    # Convertir a entero es crucial
     idx = int(idx)
-    ex = ds[idx]
+    if idx >= len(ds):
+        idx = len(ds) - 1
     
-    # Retornar la ruta del audio y el caption
+    ex = ds[idx]
     return ex['audio']['path'], ex['caption']
 
-# Definición de la interfaz
-demo = gr.Interface(
-    get_example,
-    inputs=gr.Slider(
-        0, 
-        len(ds) - 1, 
-        value=0, 
-        step=1, 
-        label=f"Índice del Ejemplo (0 a {len(ds) - 1})" 
-    ),
-    outputs=[
-        gr.Audio(label="Muestra de Audio"), 
-        gr.Textbox(label="Descripción (Caption)")
-    ],
-    title="Demo de MusicCaps (Muestras)",
-    description="Selecciona un índice para escuchar el clip de audio y ver su descripción asociada.",
-    live=True,
-)
-
-# En Hugging Face Spaces, solo necesitas llamar a launch()
-if __name__ == "__main__":
-    # Si el dataset está vacío después del filtro, no tiene sentido lanzar la demo.
-    if len(ds) == 0:
-        print("¡ADVERTENCIA! No se pudo descargar ningún ejemplo válido. El dataset está vacío. No se lanzará la demo.")
-    else:
-        demo.launch()
+# Crear interfaz solo si hay datos
+if len(ds) > 0:
+    demo = gr.Interface(
+        get_example,
+        inputs=gr.Slider(
+            0, 
+            len(ds) - 1, 
+            value=0, 
+            step=1, 
+            label=f"Índice del Ejemplo (0 a {len(ds) - 1})" 
+        ),
+        outputs=[
+            gr.Audio(label="🎵 Muestra de Audio"), 
+            gr.Textbox(label="📝 Descripción (Caption)", lines=3)
+        ],
+        title="🎵 MusicCaps Dataset Explorer",
+        description=f"Explora {len(ds)} clips de música con sus descripciones. Mueve el slider para cambiar de ejemplo.",
+        live=True,
+    )
+    
+    print("🚀 Lanzando aplicación Gradio...")
+    demo.launch()
+else:
+    print("=" * 60)
+    print("❌ ERROR CRÍTICO")
+    print("=" * 60)
+    print("No se pudo descargar ningún ejemplo válido del dataset.")
+    print("Posibles causas:")
+    print("1. Problemas de conectividad en Hugging Face Spaces")
+    print("2. YouTube bloqueando las descargas")
+    print("3. Videos no disponibles o privados")
+    print("\nSugerencias:")
+    print("- Verificar que yt-dlp esté actualizado")
+    print("- Intentar con un VPN o proxy")
+    print("- Usar un dataset pre-descargado")
+    print("=" * 60)
+    
+    # Crear una interfaz mínima de error
+    demo = gr.Interface(
+        lambda: ("⚠️ No hay datos disponibles", "No se pudieron descargar clips de audio"),
+        inputs=None,
+        outputs=[gr.Textbox(label="Estado"), gr.Textbox(label="Mensaje")],
+        title="❌ MusicCaps Demo - Error",
+        description="No se pudieron descargar ejemplos del dataset. Verifica los logs para más detalles."
+    )
+    demo.launch()