add

app.py

@@ -2,8 +2,256 @@ from fastapi import FastAPI
 from fastapi.staticfiles import StaticFiles
 from fastapi.responses import RedirectResponse
 
+from fastapi import FastAPI, File, UploadFile, Form
+from fastapi.responses import JSONResponse, RedirectResponse
+from fastapi.staticfiles import StaticFiles
+from fastapi.middleware.cors import CORSMiddleware
+from transformers import pipeline, M2M100ForConditionalGeneration, M2M100Tokenizer, MarianMTModel, MarianTokenizer
+import shutil
+#
+import os
+import logging
+from PyPDF2 import PdfReader
+import docx
+from PIL import Image
+import openpyxl  # 📌 Pour lire les fichiers Excel (.xlsx)
+from pptx import Presentation
+import fitz  # PyMuPDF
+import io
+from docx import Document
+import matplotlib.pyplot as plt
+import seaborn as sns
+import torch
+import re
+import pandas as pd
+from transformers import AutoTokenizer, AutoModelForCausalLM
+from fastapi.responses import FileResponse
+import os
+from fastapi.middleware.cors import CORSMiddleware
+import matplotlib
+matplotlib.use('Agg')
+
+import re
+import torch
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+from transformers import AutoTokenizer, AutoModelForCausalLM
+from fastapi import FastAPI, File, UploadFile, Form
+from fastapi.responses import FileResponse
+import os
+from fastapi.middleware.cors import CORSMiddleware
+from fastapi import FastAPI, File, UploadFile, Form
+from fastapi.responses import JSONResponse, RedirectResponse
+from fastapi.staticfiles import StaticFiles
+from transformers import pipeline, M2M100ForConditionalGeneration, M2M100Tokenizer
+import shutil
+import os
+import logging
+from fastapi.middleware.cors import CORSMiddleware
+from PyPDF2 import PdfReader
+import docx
+from PIL import Image  # Pour ouvrir les images avant analyse
+from transformers import MarianMTModel, MarianTokenizer
+import os
+import fitz 
+from transformers import M2M100ForConditionalGeneration, M2M100Tokenizer
+
+import logging
+import openpyxl
+
+
+# Configuration du logging
+logging.basicConfig(level=logging.INFO)
+
+
 app = FastAPI()
 
+# Configuration CORS
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["*"],
+    allow_credentials=True,
+    allow_methods=["*"],
+    allow_headers=["*"],
+)
+
+UPLOAD_DIR = "uploads"
+os.makedirs(UPLOAD_DIR, exist_ok=True)
+
+
+
+
+from transformers import AutoModelForSeq2SeqLM, AutoTokenizer
+model_name = "facebook/m2m100_418M"
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForSeq2SeqLM.from_pretrained(model_name)
+
+
+# Fonction pour extraire le texte
+def extract_text_from_pdf(file):
+    doc = fitz.open(stream=file.file.read(), filetype="pdf")
+    return "\n".join([page.get_text() for page in doc]).strip()
+
+def extract_text_from_docx(file):
+    doc = Document(io.BytesIO(file.file.read()))
+    return "\n".join([para.text for para in doc.paragraphs]).strip()
+
+def extract_text_from_pptx(file):
+    prs = Presentation(io.BytesIO(file.file.read()))
+    return "\n".join([shape.text for slide in prs.slides for shape in slide.shapes if hasattr(shape, "text")]).strip()
+
+def extract_text_from_excel(file):
+    wb = openpyxl.load_workbook(io.BytesIO(file.file.read()), data_only=True)
+    text = [str(cell) for sheet in wb.worksheets for row in sheet.iter_rows(values_only=True) for cell in row if cell]
+    return "\n".join(text).strip()
+
+@app.post("/translate/")
+async def translate_document(file: UploadFile = File(...), target_lang: str = Form(...)):
+    """API pour traduire un document."""
+    try:
+        logging.info(f"📥 Fichier reçu : {file.filename}")
+        logging.info(f"🌍 Langue cible reçue : {target_lang}")
+
+        if model is None or tokenizer is None:
+            return JSONResponse(status_code=500, content={"error": "Modèle de traduction non chargé"})
+
+        # Extraction du texte
+        if file.filename.endswith(".pdf"):
+            text = extract_text_from_pdf(file)
+        elif file.filename.endswith(".docx"):
+            text = extract_text_from_docx(file)
+        elif file.filename.endswith(".pptx"):
+            text = extract_text_from_pptx(file)
+        elif file.filename.endswith(".xlsx"):
+            text = extract_text_from_excel(file)
+        else:
+            return JSONResponse(status_code=400, content={"error": "Format non supporté"})
+
+        logging.info(f"📜 Texte extrait : {text[:50]}...")
+
+        if not text:
+            return JSONResponse(status_code=400, content={"error": "Aucun texte trouvé dans le document"})
+
+        # Vérifier si la langue cible est supportée
+        target_lang_id = tokenizer.get_lang_id(target_lang)
+
+        if target_lang_id is None:
+            return JSONResponse(
+                status_code=400,
+                content={"error": f"Langue cible '{target_lang}' non supportée. Langues disponibles : {list(tokenizer.lang_code_to_id.keys())}"}
+            )
+
+        # Traduction
+        tokenizer.src_lang = "fr"
+        encoded_text = tokenizer(text, return_tensors="pt", padding=True, truncation=True)
+
+        logging.info(f"🔍 ID de la langue cible : {target_lang_id}")
+
+        generated_tokens = model.generate(**encoded_text, forced_bos_token_id=target_lang_id)
+
+        translated_text = tokenizer.batch_decode(generated_tokens, skip_special_tokens=True)[0]
+
+        logging.info(f"✅ Traduction réussie : {translated_text[:50]}...")
+        return {"translated_text": translated_text}
+
+    except Exception as e:
+        logging.error(f"❌ Erreur lors de la traduction : {e}")
+        return JSONResponse(status_code=500, content={"error": "Échec de la traduction"})
+
+
+
+
+        # Charger le modèle pour la génération de code
+codegen_model_name = "Salesforce/codegen-350M-mono"
+device = "cuda" if torch.cuda.is_available() else "cpu"
+
+codegen_tokenizer = AutoTokenizer.from_pretrained(codegen_model_name)
+codegen_model = AutoModelForCausalLM.from_pretrained(codegen_model_name).to(device)
+
+VALID_PLOTS = {"histplot", "scatterplot", "barplot", "lineplot", "boxplot"}
+
+@app.post("/generate_viz/")
+async def generate_viz(file: UploadFile = File(...), query: str = Form(...)):
+    try:
+        if query not in VALID_PLOTS:
+            return {"error": f"Type de graphique invalide. Choisissez parmi : {', '.join(VALID_PLOTS)}"}
+
+        df = pd.read_excel(file.file)
+
+        numeric_cols = df.select_dtypes(include=["number"]).columns
+        if len(numeric_cols) < 2:
+            return {"error": "Le fichier doit contenir au moins deux colonnes numériques."}
+
+        x_col, y_col = numeric_cols[:2]
+
+        # Contraintes spécifiques pour éviter l'erreur avec histplot
+        if query == "histplot":
+            prompt_y = ""
+        else:
+            prompt_y = f', y="{y_col}"'
+
+        # Générer l'invite pour le modèle
+        prompt = f"""
+### Génère uniquement du code Python fonctionnel pour tracer un {query} avec Matplotlib et Seaborn ###
+# Contraintes :
+# - Utilise 'df' sans recréer de nouvelles données
+# - Axe X : '{x_col}'
+# - Enregistre le graphique sous 'plot.png'
+# - Ne génère que du code Python valide, sans texte explicatif
+# Contraintes spécifiques pour sns.histplot :
+# - N'inclut pas "y=" car histplot ne supporte qu'un axe
+import matplotlib.pyplot as plt
+import seaborn as sns
+plt.figure(figsize=(8,6))
+sns.{query}(data=df, x="{x_col}"{prompt_y})
+plt.savefig("plot.png")
+plt.close()
+"""
+
+        # Génération du code
+        inputs = codegen_tokenizer(prompt, return_tensors="pt").to(device)
+        outputs = codegen_model.generate(**inputs, max_new_tokens=120, pad_token_id=codegen_tokenizer.eos_token_id)
+        generated_code = codegen_tokenizer.decode(outputs[0], skip_special_tokens=True).strip()
+        # Nettoyage du code
+        generated_code = re.sub(r"(import matplotlib.pyplot as plt\nimport seaborn as sns\n)+", "import matplotlib.pyplot as plt\nimport seaborn as sns\n", generated_code)
+        if generated_code.strip().endswith("sns."):
+            generated_code = generated_code.rsplit("\n", 1)[0]  # Supprime la dernière ligne incomplète
+
+        print("🔹 Code généré par l'IA :\n", generated_code)
+
+        # Vérification syntaxique avant exécution
+        try:
+            compile(generated_code, "<string>", "exec")
+        except SyntaxError as e:
+            return {"error": f"Erreur de syntaxe détectée : {e}\nCode généré :\n{generated_code}"}
+
+        # Vérification des données
+        print(df.head())  # Affiche les premières lignes du dataframe
+        print(df.dtypes)  # Vérifie les types de colonnes
+        print(f"Colonne '{x_col}' - Valeurs uniques:", df[x_col].unique())
+
+        if df.empty or x_col not in df.columns or df[x_col].isnull().all():
+            return {"error": f"La colonne '{x_col}' est absente ou ne contient pas de données valides."}
+
+        # Exécution du code généré
+        exec_env = {"df": df, "plt": plt, "sns": sns, "pd": pd}
+        exec(generated_code, exec_env)
+
+        # Vérification de l'image générée
+        img_path = "plot.png"
+        if not os.path.exists(img_path):
+            return {"error": "Le fichier plot.png n'a pas été généré."}
+        if os.path.getsize(img_path) == 0:
+            return {"error": "Le fichier plot.png est vide."}
+
+        plt.close()
+        return FileResponse(img_path, media_type="image/png")
+
+    except Exception as e:
+        return {"error": f"Erreur lors de la génération du graphique : {str(e)}"}
+    
+
 # Servir les fichiers statiques (HTML, CSS, JS)
 app.mount("/static", StaticFiles(directory="static", html=True), name="static")