app.py

from fastapi import FastAPI
from sentence_transformers import SentenceTransformer
from gliner import GLiNER
from pydantic import BaseModel
from typing import List
import uvicorn

print("Démarrage de l'application...")

app = FastAPI()

class TextRequest(BaseModel):
    text: str

class TextRequestAvecEtiquettes(BaseModel):
    text: str
    etiquettes: List[str]

# Chargement de SBERT
print("Chargement de SBERT...")
modele_sbert = SentenceTransformer('paraphrase-multilingual-mpnet-base-v2')
#modele_sbert = SentenceTransformer('alex246879/sbert-professionnel-2026')
print("SBERT chargé avec succès")

print("Chargement de GLiNER...")
modele_gliner = GLiNER.from_pretrained("urchade/gliner_multi_pii-v1")
print("GLiNER chargé avec succès")

@app.post("/vecteur")
def creat_vector(data: TextRequest):
    print(f"Requête /vecteur reçue : {data.text}")
    vecteur = modele_sbert.encode(data.text).tolist()
    print(f"Taille vecteur envoyé : {len(vecteur)}")
    return {"vecteur": vecteur}

SYNONYMES_ETIQUETTES: dict[str, List[str]] = {
    "role":              ["job title", "professional role", "occupation", "position"],
    "skills":            ["skill", "competency", "expertise", "ability", "professional knowledge", "technique"],
    "experience_passée": ["past employer", "former company", "duration of experience", "years of experience"],
    "company_type":      ["company type", "industry", "sector", "type of organization"],
}

def extraire_entites(text: str, etiquettes: List[str]) -> dict[str, List[str]]:
    groupes: dict[str, List[str]] = {label: [] for label in etiquettes}
    deja_vus: set[str] = set()

    for label in etiquettes:
        synonymes = SYNONYMES_ETIQUETTES.get(label, [label])
        entites = modele_gliner.predict_entities(text, synonymes)
        for entite in entites:
            val = entite["text"].strip()
            if val.lower() not in deja_vus:
                groupes[label].append(val)
                deja_vus.add(val.lower())

    return {k: v for k, v in groupes.items() if v}

@app.post("/vecteurs")
def creat_vectors(data: TextRequestAvecEtiquettes):
    text = data.text.strip()
    if text and text[-1] not in ".!?":
        text += "."
    print(f"Requête /vecteurs reçue : {text}")
    print(f"Étiquettes demandées : {data.etiquettes}")

    # Extraction des entités par étiquette via GLiNER (un appel par étiquette avec ses synonymes)
    print("Extraction des entités via GLiNER...")
    entites_par_etiquette = extraire_entites(text, data.etiquettes)
    print(f"Regroupement par étiquette : {entites_par_etiquette}")

    # Génération d'un vecteur SBERT par étiquette
    resultat = {}
    for label, textes in entites_par_etiquette.items():
        print(f"Encodage SBERT pour '{label}' : {textes}")
        vecteur = modele_sbert.encode(" ".join(textes)).tolist()
        resultat[label] = vecteur
        print(f"Étiquette '{label}' : {len(textes)} entité(s), taille vecteur : {len(vecteur)}")

    print("Résultat prêt, envoi de la réponse")
    return resultat

if __name__ == "__main__":
    # Hugging Face utilise le port 7860 par défaut
    uvicorn.run(app, host="0.0.0.0", port=7860)