transcripcion-whisper/splitter/app.py

#!/usr/bin/env python
import os
import time
import json
import pika
import logging
from pydub import AudioSegment
from datetime import datetime

# Configuración de logging
logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s'
)
logger = logging.getLogger('splitter')

# Configuración de RabbitMQ
RABBITMQ_HOST = 'rabbitmq'
RABBITMQ_USER = 'user'
RABBITMQ_PASS = 'password'
SPLIT_QUEUE = 'audio_split_queue'
PROCESS_QUEUE = 'audio_process_queue'

# Configuración de segmentos
SEGMENT_DURATION_MS = 2 * 60 * 1000  # 1 minuto en milisegundos

# Directorios
SHARED_DIR = '/app/shared'

def connect_to_rabbitmq():
    """Establece conexión con RabbitMQ"""
    tries = 0
    while True:
        try:
            credentials = pika.PlainCredentials(RABBITMQ_USER, RABBITMQ_PASS)
            connection = pika.BlockingConnection(
                pika.ConnectionParameters(
                    host=RABBITMQ_HOST,
                    credentials=credentials
                )
            )
            return connection
        except pika.exceptions.AMQPConnectionError:
            tries += 1
            logger.warning(f"Intento {tries}: No se pudo conectar a RabbitMQ. Reintentando en 5 segundos...")
            time.sleep(5)

def split_audio(filepath, file_id, original_filename):
    """Divide un archivo de audio en segmentos de 5 minutos"""
    logger.info(f"Dividiendo archivo: {filepath}")
    
    # Cargar audio con pydub
    audio = AudioSegment.from_file(filepath)
    
    # Calcular número de segmentos
    total_duration_ms = len(audio)
    num_segments = (total_duration_ms + SEGMENT_DURATION_MS - 1) // SEGMENT_DURATION_MS
    
    logger.info(f"Audio de duración {total_duration_ms}ms será dividido en {num_segments} segmentos")
    
    # Crear directorio para segmentos
    segments_dir = os.path.join(SHARED_DIR, f"segments_{file_id}")
    os.makedirs(segments_dir, exist_ok=True)
    
    # Dividir en segmentos
    segments_info = []
    
    for i in range(num_segments):
        start_ms = i * SEGMENT_DURATION_MS
        end_ms = min(start_ms + SEGMENT_DURATION_MS, total_duration_ms)
        
        # Extraer segmento
        segment = audio[start_ms:end_ms]
        
        # Generar nombre de archivo para segmento
        segment_filename = f"segment_{i:03d}_{file_id}.wav"
        segment_path = os.path.join(segments_dir, segment_filename)
        
        # Guardar segmento como WAV para Whisper
        segment.export(segment_path, format="wav")
        
        segments_info.append({
            'segment_id': i,
            'segment_path': segment_path,
            'segment_filename': segment_filename,
            'start_ms': start_ms,
            'end_ms': end_ms,
            'duration_ms': end_ms - start_ms
        })
        
        logger.info(f"Creado segmento {i+1}/{num_segments}: {segment_filename}")
    
    return segments_info, segments_dir

def send_segments_to_process_queue(segments_info, original_file_id, original_filename, segments_dir):
    """Envía los segmentos a la cola para procesamiento con Whisper"""
    connection = connect_to_rabbitmq()
    channel = connection.channel()
    
    # Declarar cola para procesamiento
    channel.queue_declare(queue=PROCESS_QUEUE, durable=True)
    
    # Información del trabajo completo
    job_info = {
        'original_file_id': original_file_id,
        'original_filename': original_filename,
        'total_segments': len(segments_info),
        'segments_dir': segments_dir,
        'timestamp': datetime.now().isoformat()
    }
    
    # Enviar cada segmento a la cola
    for segment in segments_info:
        # Mensaje con información del segmento y trabajo
        message = {
            **segment,
            **job_info
        }
        
        channel.basic_publish(
            exchange='',
            routing_key=PROCESS_QUEUE,
            body=json.dumps(message),
            properties=pika.BasicProperties(
                delivery_mode=2  # mensaje persistente
            )
        )
        
        logger.info(f"Segmento {segment['segment_id']+1}/{job_info['total_segments']} enviado a la cola de procesamiento")
    
    connection.close()

def callback(ch, method, properties, body):
    """Callback para procesar mensajes de la cola de división"""
    try:
        # Decodificar mensaje
        message = json.loads(body)
        file_id = message['file_id']
        filepath = message['filepath']
        filename = message['filename']
        
        logger.info(f"Recibido archivo para división: {filename} ({file_id})")
        
        # Dividir audio en segmentos
        segments_info, segments_dir = split_audio(filepath, file_id, filename)
        
        # Enviar segmentos a la cola de procesamiento
        send_segments_to_process_queue(segments_info, file_id, filename, segments_dir)
        
        # Confirmar procesamiento
        ch.basic_ack(delivery_tag=method.delivery_tag)
        
        logger.info(f"División completada para {filename} ({file_id})")
        
    except Exception as e:
        logger.error(f"Error procesando mensaje: {str(e)}")
        # Rechazar mensaje en caso de error para reintentarlo
        ch.basic_nack(delivery_tag=method.delivery_tag, requeue=True)

def main():
    """Función principal"""
    connection = connect_to_rabbitmq()
    channel = connection.channel()
    
    # Declarar colas
    channel.queue_declare(queue=SPLIT_QUEUE, durable=True)
    channel.queue_declare(queue=PROCESS_QUEUE, durable=True)
    
    # Configurar prefetch count
    channel.basic_qos(prefetch_count=1)
    
    # Configurar callback
    channel.basic_consume(queue=SPLIT_QUEUE, on_message_callback=callback)
    
    logger.info("Servicio de división iniciado. Esperando mensajes...")
    
    # Iniciar consumo
    try:
        channel.start_consuming()
    except KeyboardInterrupt:
        logger.info("Servicio de división detenido")
        channel.stop_consuming()
    
    connection.close()

if __name__ == "__main__":
    main()