feat: translate comments, docstrings, and log messages to Spanish.

app/router.py

@@ -1,7 +1,7 @@
 """
-Main application router.
+Enrutador principal de la aplicación.
 
-Orchestrates the entire expense processing workflow, from input to persistence.
+Orquesta todo el flujo de trabajo de procesamiento de gastos, desde la entrada hasta la persistencia.
 """
 import logging
 
@@ -16,55 +16,55 @@ logger = logging.getLogger(__name__)
 
 def process_expense_input(db: Session, raw_input: RawInput) -> FinalExpense:
     """
-    Full pipeline for processing a raw input.
+    Pipeline completo para procesar una entrada sin procesar.
 
-    1. Ingestion: Convert input (text, image, etc.) to raw text.
-    2. AI Extraction: Parse the raw text into structured data.
-    3. AI Classification/Audit: Validate and categorize the expense.
-    4. Persistence: Save the final, confirmed expense to the database.
+    1. Ingestión: Convertir la entrada (texto, imagen, etc.) en texto sin procesar.
+    2. Extracción por IA: Analizar el texto sin procesar en datos estructurados.
+    3. Clasificación/Auditoría por IA: Validar y categorizar el gasto.
+    4. Persistencia: Guardar el gasto final confirmado en la base de datos.
     """
-    logger.info(f"Router processing input for user {raw_input.user_id} of type {raw_input.input_type}")
+    logger.info(f"El enrutador está procesando la entrada para el usuario {raw_input.user_id} de tipo {raw_input.input_type}")
 
-    # 1. Ingestion
+    # 1. Ingestión
     raw_text = ""
     if raw_input.input_type == "text":
         raw_text = text.process_text_input(raw_input.data)
     elif raw_input.input_type == "image":
-        # In a real app, data would be bytes, not a string path
+        # En una aplicación real, los datos serían bytes, no una ruta de cadena
         raw_text = image.process_image_input(raw_input.data.encode()) 
     elif raw_input.input_type == "audio":
         raw_text = audio.process_audio_input(raw_input.data.encode())
     elif raw_input.input_type == "document":
         raw_text = document.process_document_input(raw_input.data.encode())
     else:
-        raise ValueError(f"Unsupported input type: {raw_input.input_type}")
+        raise ValueError(f"Tipo de entrada no soportado: {raw_input.input_type}")
 
     if not raw_text:
-        logger.error("Ingestion phase resulted in empty text. Aborting.")
-        # We might want to return a specific status here
+        logger.error("La fase de ingestión resultó en un texto vacío. Abortando.")
+        # Podríamos querer devolver un estado específico aquí
         return None
 
-    # 2. AI Extraction
+    # 2. Extracción por IA
     extracted_data = extractor.extract_expense_data(raw_text)
     if not extracted_data.amount or not extracted_data.description:
-        logger.error("AI extraction failed to find key details. Aborting.")
+        logger.error("La extracción por IA no pudo encontrar detalles clave. Abortando.")
         return None
 
-    # 3. AI Classification & Confirmation (simplified)
-    # In a real bot, you would present this to the user for confirmation.
+    # 3. Clasificación y Confirmación por IA (simplificado)
+    # En un bot real, presentarías esto al usuario para su confirmación.
     provisional_expense = ProvisionalExpense(
         user_id=raw_input.user_id,
         extracted_data=extracted_data,
-        confidence_score=0.0 # Will be set by classifier
+        confidence_score=0.0 # Será establecido por el clasificador
     )
     
     audited_expense = classifier.classify_and_audit(provisional_expense)
     
-    # 3.5 Deterministic Matching (Phase 3)
-    # Enrich data with categories from providers/keywords if available
+    # 3.5 Coincidencia Determinística (Fase 3)
+    # Enriquecer los datos con categorías de proveedores/palabras clave si están disponibles
     match_metadata = matcher.get_metadata_from_match(extracted_data.description)
     
-    # For now, we auto-confirm if confidence is high.
+    # Por ahora, auto-confirmamos si la confianza es alta.
     if audited_expense.confidence_score > 0.7:
         final_expense = FinalExpense(
             user_id=audited_expense.user_id,
@@ -79,12 +79,12 @@ def process_expense_input(db: Session, raw_input: RawInput) -> FinalExpense:
             confirmed_by="auto-confirm"
         )
         
-        # 4. Persistence
+        # 4. Persistencia
         db_record = repositories.save_final_expense(db, final_expense)
-        logger.info(f"Successfully processed and saved expense ID {db_record.id}")
+        logger.info(f"Gasto procesado y guardado con éxito ID {db_record.id}")
         return db_record
     
     else:
-        logger.warning(f"Expense for user {raw_input.user_id} has low confidence. Awaiting manual confirmation.")
-        # Here you would store the provisional expense and notify the user
+        logger.warning(f"El gasto para el usuario {raw_input.user_id} tiene baja confianza. Esperando confirmación manual.")
+        # Aquí guardarías el gasto provisional y notificarías al usuario
         return None