clean_sensitive_data.py

#!/usr/bin/env python3
"""
Script para limpiar información sensible de los datasets antes de subirlos a GitHub
"""

import json
import re
import random
import string
from pathlib import Path

def generate_safe_id(length=8):
    """Genera un ID seguro y aleatorio"""
    return ''.join(random.choices(string.ascii_letters + string.digits, k=length))

def generate_safe_text(category="generic"):
    """Genera texto de ejemplo seguro según la categoría"""
    safe_texts = {
        "greeting": [
            "¡Bienvenido! ¿En qué puedo ayudarte?",
            "Hola, ¿cómo puedo asistirte hoy?",
            "¡Hola! Estoy aquí para ayudarte",
            "Bienvenido al servicio de atención"
        ],
        "button": [
            "Información", "Ayuda", "Servicios", "Soporte",
            "Consultas", "Opciones", "Más info", "Continuar",
            "Inicio", "Menú", "Categorías", "Productos"
        ],
        "message": [
            "Este es un mensaje de ejemplo",
            "Contenido de demostración",
            "Información general disponible",
            "Mensaje del sistema de chat",
            "Respuesta automatizada de prueba"
        ],
        "label": [
            "Nodo de ejemplo", "Mensaje demo", "Texto de prueba",
            "Contenido de muestra", "Etiqueta genérica"
        ]
    }
    
    return random.choice(safe_texts.get(category, safe_texts["message"]))

def clean_node(node):
    """Limpia información sensible de un nodo"""
    cleaned_node = node.copy()
    
    # Mantener IDs estructurales pero limpiar nombres específicos
    if "data" in cleaned_node:
        data = cleaned_node["data"]
        
        # Limpiar mensajes sensibles
        if "message" in data:
            if any(word in data["message"].lower() for word in ["hola", "ayudarte", "podemos"]):
                data["message"] = generate_safe_text("greeting")
            else:
                data["message"] = generate_safe_text("message")
        
        # Limpiar etiquetas
        if "label" in data and data["label"] not in ["Inicio", "Finalizar"]:
            data["label"] = generate_safe_text("label")
        
        # Limpiar botones
        if "buttons" in data:
            for button in data["buttons"]:
                if "text" in button:
                    # Conservar algunos botones comunes pero limpiar específicos
                    if button["text"].lower() not in ["inicio", "continuar", "terminar", "ayuda"]:
                        button["text"] = generate_safe_text("button")
                
                # Limpiar IDs de botones (mantener formato pero cambiar contenido)
                if "id" in button:
                    button["id"] = f"{generate_safe_id(8)}-{generate_safe_id(4)}-{generate_safe_id(4)}-{generate_safe_id(4)}-"
    
    return cleaned_node

def clean_edge(edge):
    """Limpia información sensible de un edge"""
    cleaned_edge = edge.copy()
    
    # Limpiar labels descriptivos
    if "label" in cleaned_edge:
        cleaned_edge["label"] = f"Conexión: {edge['source'][:8]}→{edge['target'][:8]}"
    
    return cleaned_edge

def clean_dataset(input_file, output_file, data_type="nodes"):
    """Limpia un dataset completo"""
    print(f"🧹 Limpiando {data_type} de {input_file}...")
    
    try:
        with open(input_file, 'r', encoding='utf-8') as f:
            data = json.load(f)
        
        if data_type == "nodes":
            cleaned_data = [clean_node(item) for item in data]
        else:  # edges
            cleaned_data = [clean_edge(item) for item in data]
        
        with open(output_file, 'w', encoding='utf-8') as f:
            json.dump(cleaned_data, f, indent=2, ensure_ascii=False)
        
        print(f"✅ Dataset limpio guardado en {output_file}")
        return True
        
    except FileNotFoundError:
        print(f"⚠️  Archivo no encontrado: {input_file}")
        return False
    except Exception as e:
        print(f"❌ Error procesando {input_file}: {e}")
        return False

def main():
    """Función principal"""
    print("🔒 LIMPIEZA DE DATOS SENSIBLES PARA GITHUB")
    print("=" * 60)
    
    # Definir archivos a procesar
    datasets = [
        ("data/nodes.json", "data/nodes_clean.json", "nodes"),
        ("data/edges.json", "data/edges_clean.json", "edges"),
    ]
    
    success_count = 0
    
    # Procesar cada dataset
    for input_file, output_file, data_type in datasets:
        if clean_dataset(input_file, output_file, data_type):
            success_count += 1
    
    print(f"\n🏆 RESUMEN:")
    print(f"✅ Archivos procesados exitosamente: {success_count}")
    print(f"📁 Archivos limpios creados en data/")
    
    # Crear backup de archivos originales
    print(f"\n💾 Creando backup de archivos originales...")
    backup_dir = Path("data/backup")
    backup_dir.mkdir(exist_ok=True)
    
    try:
        import shutil
        shutil.copy2("data/nodes.json", "data/backup/nodes_original.json")
        shutil.copy2("data/edges.json", "data/backup/edges_original.json")
        print("✅ Backup creado en data/backup/")
    except Exception as e:
        print(f"⚠️  Error creando backup: {e}")
    
    print(f"\n🔄 Para usar las versiones limpias:")
    print(f"   mv data/nodes.json data/nodes_original.json")
    print(f"   mv data/nodes_clean.json data/nodes.json")
    print(f"   mv data/edges.json data/edges_original.json") 
    print(f"   mv data/edges_clean.json data/edges.json")
    
    print(f"\n🚀 ¡Datasets listos para GitHub!")

if __name__ == "__main__":
    main()