Update app.py

app.py

@@ -2,13 +2,14 @@ import os
 import pandas as pd
 import torch
 import gradio as gr
+import json  # För att hantera JSON-data i loggfilen
+
 from huggingface_hub import login, Repository
 from sentence_transformers import SentenceTransformer, util
 
 # -------------------------------
 #   SÄTT GLOBAL GIT-IDENTITET
 # -------------------------------
-# Dessa kommandon ställer in din Git-identitet globalt.
 os.system('git config --global user.email "niklas.berg@chargenode.eu"')
 os.system('git config --global user.name "Niklas Berg"')
 
@@ -22,20 +23,19 @@ if not HF_TOKEN:
 # Logga in mot Hugging Face
 login(token=HF_TOKEN)
 
-# Repo-detaljer (ändra REPO_ID om det behövs)
-REPO_ID = "ChargeNodeEurope/Chatbot_4o_mini"  
+# Repo-detaljer
+REPO_ID = "ChargeNodeEurope/Chatbot_4o_mini"
 REPO_LOCAL_PATH = "chatbot_faq_repo"
-FAQ_XLSX_PATH = "FAQ stadat.xlsx"  # Excel-filen som innehåller FAQ-informationen
+FAQ_XLSX_PATH = "FAQ stadat.xlsx"  # Excel-filen med FAQ-information
 
-# Klona repo:t (repo_type="space" eftersom det är en Hugging Face Space)
 repo = Repository(
     local_dir=REPO_LOCAL_PATH,
     clone_from=REPO_ID,
-    repo_type="space",
+    repo_type="space",  # Ange "space" om det är en Hugging Face Space
     use_auth_token=HF_TOKEN
 )
 
-# Sökväg till FAQ Excel-filen
+# Ladda in FAQ-data från Excel-filen
 faq_path = os.path.join(REPO_LOCAL_PATH, FAQ_XLSX_PATH)
 try:
     df = pd.read_excel(faq_path)
@@ -43,26 +43,22 @@ try:
 except Exception as e:
     raise FileNotFoundError(f"Kunde inte ladda FAQ-filen: {str(e)}")
 
-# Ladda Sentence Transformer-modellen för att skapa semantiska embeddings
+# Ladda Sentence Transformer-modellen för semantiska embeddings
 model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")
-
-# Skapa embeddings för alla FAQ-frågor
 faq_questions = df["Fråga"].tolist()
 faq_embeddings = model.encode(faq_questions, convert_to_tensor=True)
 
-
 # -------------------------------
 #      HJÄLPFUNKTIONER
 # -------------------------------
 def uppdatera_embeddings():
     """
-    Uppdaterar FAQ-frågornas embeddings efter att DataFrame har ändrats.
+    Uppdaterar FAQ-embeddings efter att FAQ-data har ändrats.
     """
     global faq_questions, faq_embeddings, df
     faq_questions = df["Fråga"].tolist()
     faq_embeddings = model.encode(faq_questions, convert_to_tensor=True)
 
-
 def sök_faq(fråga):
     """
     Utför en semantisk sökning i FAQ och returnerar de tre bästa resultaten.
@@ -71,11 +67,9 @@ def sök_faq(fråga):
     if not fråga:
         return pd.DataFrame(columns=["Liknande fråga", "Svar", "Kategori", "Confidence"])
 
-    # Skapa embedding för användarens fråga
     query_emb = model.encode(fråga, convert_to_tensor=True)
     cos_scores = util.cos_sim(query_emb, faq_embeddings)[0]
 
-    # Hämta de tre högsta resultaten
     top_results = torch.topk(cos_scores, k=3)
     indices = top_results.indices.tolist()
     scores = top_results.values.tolist()
@@ -91,10 +85,10 @@ def sök_faq(fråga):
         })
     return pd.DataFrame(data)
 
-
 def lägg_till_faq(fråga, svar, kategori):
     """
-    Lägger till en ny FAQ-post, sparar ändringar, pushar till repo:t och uppdaterar embeddings.
+    Lägger till en ny FAQ-post, uppdaterar Excel-filen, skapar nya embeddings
+    samt pushar ändringen till Hugging Face-repo:t.
     """
     global df
     fråga = fråga.strip()
@@ -105,15 +99,12 @@ def lägg_till_faq(fråga, svar, kategori):
         return "Fråga, svar och kategori får inte vara tomma!"
 
     try:
-        # Lägg till posten i DataFrame
         ny_rad = pd.DataFrame([[fråga, svar, kategori]], columns=["Fråga", "Svar", "Kategori"])
         df = pd.concat([df, ny_rad], ignore_index=True)
 
-        # Spara ändringarna till Excel-filen
         df.to_excel(faq_path, index=False)
         uppdatera_embeddings()
 
-        # Lägg till, commit och push med Git
         repo.git_add()
         repo.git_commit(f"Lade till FAQ: {fråga[:50]}...")
         repo.git_push()
@@ -122,14 +113,12 @@ def lägg_till_faq(fråga, svar, kategori):
     except Exception as e:
         return f"Fel vid uppdatering: {str(e)}"
 
-
 def visa_senaste_faq(antal=10):
     """
     Returnerar de senaste 'antal' FAQ-posterna.
     """
     return df.tail(antal)
 
-
 def uppdatera_faq(gammal_fråga, nytt_svar, ny_kategori):
     """
     Uppdaterar en befintlig FAQ-post (baserat på exakt matchning av 'Fråga').
@@ -162,7 +151,6 @@ def uppdatera_faq(gammal_fråga, nytt_svar, ny_kategori):
     except Exception as e:
         return f"Fel vid uppdatering: {str(e)}"
 
-
 def ta_bort_faq(fråga_att_radera):
     """
     Tar bort en FAQ-post baserat på en exakt matchning av 'Fråga'.
@@ -189,50 +177,81 @@ def ta_bort_faq(fråga_att_radera):
     except Exception as e:
         return f"Fel vid borttagning: {str(e)}"
 
+def visa_logfil():
+    """
+    Läser in loggfilen och returnerar en DataFrame med de senaste 10 posterna:
+    Datum, UserID, Fråga (user_message) och Svar (bot_reply).
+    """
+    log_file_path = os.path.join("ChargeNodeEurope", "logfiles", "logs_v2", "conversation_log_v2.txt")
+    logs = []
+    try:
+        with open(log_file_path, "r", encoding="utf-8") as f:
+            for line in f:
+                line = line.strip()
+                if line:
+                    log_entry = json.loads(line)
+                    logs.append(log_entry)
+        # Sortera loggarna med nyaste först (baserat på timestamp)
+        logs_sorted = sorted(logs, key=lambda x: x["timestamp"], reverse=True)
+        latest10 = logs_sorted[:10]
+        df_logs = pd.DataFrame(latest10)
+        if not df_logs.empty:
+            # Välj och döp om de kolumner som ska visas
+            df_logs = df_logs[["timestamp", "user_id", "user_message", "bot_reply"]]
+            df_logs.columns = ["Datum", "UserID", "Fråga", "Svar"]
+        return df_logs
+    except Exception as e:
+        return pd.DataFrame({"Fel": [f"Fel vid inläsning av loggfil: {e}"]})
 
 # -------------------------------
 #      GRADIO-GRÄNSSNITT
 # -------------------------------
 with gr.Blocks() as demo:
     gr.Markdown("# Enkel FAQ Admin")
-    gr.Markdown("Administrera FAQ-poster: Sök i befintliga frågor, lägg till, uppdatera eller ta bort.")
-
-    # --- Sök i FAQ ---
-    gr.Markdown("## Sök i FAQ")
-    inp_question = gr.Textbox(label="Din fråga", placeholder="Ex: Hur startar jag en laddning?")
-    btn_search = gr.Button("Sök")
-    out_search = gr.Dataframe(label="Topp 3 resultat")
-
-    btn_search.click(fn=sök_faq, inputs=inp_question, outputs=out_search)
-
-    # --- Lägg till FAQ ---
-    gr.Markdown("## Lägg till FAQ")
-    add_question = gr.Textbox(label="Ny fråga")
-    add_answer = gr.Textbox(label="Nytt svar")
-    add_cat = gr.Textbox(label="Ny kategori")
-    btn_add = gr.Button("Lägg till")
-    out_add = gr.Textbox(label="Status")
-    btn_add.click(fn=lägg_till_faq, inputs=[add_question, add_answer, add_cat], outputs=out_add)
-
-    # --- Redigera / Ta bort FAQ ---
-    gr.Markdown("## Redigera / Ta bort FAQ")
-    existing_quests = gr.Dropdown(choices=df["Fråga"].tolist(), label="Befintliga frågor")
-    new_answer = gr.Textbox(label="Nytt svar (valfritt)")
-    new_cat = gr.Textbox(label="Ny kategori (valfritt)")
-    btn_update = gr.Button("Uppdatera")
-    out_update = gr.Textbox(label="Status")
-
-    btn_delete = gr.Button("Ta bort")
-    out_delete = gr.Textbox(label="Status")
-
-    btn_update.click(fn=uppdatera_faq, inputs=[existing_quests, new_answer, new_cat], outputs=out_update)
-    btn_delete.click(fn=ta_bort_faq, inputs=existing_quests, outputs=out_delete)
-
-    # --- Visa senaste FAQ-poster ---
-    gr.Markdown("## Visa senaste FAQ-poster")
-    btn_show = gr.Button("Visa senaste 10")
-    out_log = gr.Dataframe(label="Senaste poster")
-    btn_show.click(fn=visa_senaste_faq, inputs=[], outputs=out_log)
+    gr.Markdown("Administrera FAQ-poster: Sök, lägg till, uppdatera eller ta bort FAQ samt visa loggposter.")
+
+    with gr.Tab("FAQ"):
+        # --- Sök i FAQ ---
+        gr.Markdown("## Sök i FAQ")
+        inp_question = gr.Textbox(label="Din fråga", placeholder="Ex: Hur startar jag en laddning?")
+        btn_search = gr.Button("Sök")
+        out_search = gr.Dataframe(label="Topp 3 resultat")
+        btn_search.click(fn=sök_faq, inputs=inp_question, outputs=out_search)
+
+        # --- Lägg till FAQ ---
+        gr.Markdown("## Lägg till FAQ")
+        add_question = gr.Textbox(label="Ny fråga")
+        add_answer = gr.Textbox(label="Nytt svar")
+        add_cat = gr.Textbox(label="Ny kategori")
+        btn_add = gr.Button("Lägg till")
+        out_add = gr.Textbox(label="Status")
+        btn_add.click(fn=lägg_till_faq, inputs=[add_question, add_answer, add_cat], outputs=out_add)
+
+        # --- Redigera / Ta bort FAQ ---
+        gr.Markdown("## Redigera / Ta bort FAQ")
+        existing_quests = gr.Dropdown(choices=df["Fråga"].tolist(), label="Befintliga frågor")
+        new_answer = gr.Textbox(label="Nytt svar (valfritt)")
+        new_cat = gr.Textbox(label="Ny kategori (valfritt)")
+        btn_update = gr.Button("Uppdatera")
+        out_update = gr.Textbox(label="Status")
+        btn_delete = gr.Button("Ta bort")
+        out_delete = gr.Textbox(label="Status")
+        btn_update.click(fn=uppdatera_faq, inputs=[existing_quests, new_answer, new_cat], outputs=out_update)
+        btn_delete.click(fn=ta_bort_faq, inputs=existing_quests, outputs=out_delete)
+
+        # --- Visa senaste FAQ-poster ---
+        gr.Markdown("## Visa senaste FAQ-poster")
+        btn_show = gr.Button("Visa senaste 10")
+        out_log = gr.Dataframe(label="Senaste poster")
+        btn_show.click(fn=visa_senaste_faq, inputs=[], outputs=out_log)
+
+    with gr.Tab("Logg"):
+        # --- Visa loggfilen ---
+        gr.Markdown("## Visa senast 10 loggposter")
+        btn_log = gr.Button("Visa loggfil")
+        out_logfil = gr.Dataframe(label="Senaste loggar")
+        btn_log.click(fn=visa_logfil, inputs=[], outputs=out_logfil)
 
 if __name__ == "__main__":
-    demo.launch()
+    # Ange autentisering: username: ChargeNode, password: wer123
+    demo.launch(auth=[("ChargeNode", "wer123")])