Update app.py

app.py

@@ -1,41 +1,33 @@
 import os
+import json
 import pandas as pd
 import torch
 import gradio as gr
-import json  # För att hantera JSON-data i loggfilen
+import datetime
 
 from huggingface_hub import login, Repository
 from sentence_transformers import SentenceTransformer, util
 
-# -------------------------------
-#   SÄTT GLOBAL GIT-IDENTITET
-# -------------------------------
-os.system('git config --global user.email "niklas.berg@chargenode.eu"')
-os.system('git config --global user.name "Niklas Berg"')
-
-# -------------------------------
+# ================================
 #      KONFIG & INIT
-# -------------------------------
+# ================================
 HF_TOKEN = os.getenv("HUGGINGFACE_TOKEN")
 if not HF_TOKEN:
     raise ValueError("HUGGINGFACE_TOKEN miljövariabel saknas!")
 
-# Logga in mot Hugging Face
 login(token=HF_TOKEN)
 
-# Repo-detaljer
-REPO_ID = "ChargeNodeEurope/Chatbot_4o_mini"
+REPO_ID = "ChargeNodeEurope/Chatbot_4o_mini"  # Exempel-ID
 REPO_LOCAL_PATH = "chatbot_faq_repo"
-FAQ_XLSX_PATH = "FAQ stadat.xlsx"  # Excel-filen med FAQ-information
+FAQ_XLSX_PATH = "FAQ stadat.xlsx"
 
 repo = Repository(
     local_dir=REPO_LOCAL_PATH,
     clone_from=REPO_ID,
-    repo_type="space",  # Ange "space" om det är en Hugging Face Space
+    repo_type="space",       # Viktigt om det är en Space
     use_auth_token=HF_TOKEN
 )
 
-# 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)
@@ -43,17 +35,20 @@ try:
 except Exception as e:
     raise FileNotFoundError(f"Kunde inte ladda FAQ-filen: {str(e)}")
 
-# Ladda Sentence Transformer-modellen för semantiska embeddings
+# Ladda Sentence Transformer-modellen
 model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")
+
+# Skapa embeddings av alla FAQ-frågor en gång
 faq_questions = df["Fråga"].tolist()
 faq_embeddings = model.encode(faq_questions, convert_to_tensor=True)
 
-# -------------------------------
-#      HJÄLPFUNKTIONER
-# -------------------------------
+
+# ================================
+#       HJÄLPFUNKTIONER
+# ================================
 def uppdatera_embeddings():
     """
-    Uppdaterar FAQ-embeddings efter att FAQ-data har ändrats.
+    Uppdatera FAQ-embeddings om FAQ-DataFrame ändras.
     """
     global faq_questions, faq_embeddings, df
     faq_questions = df["Fråga"].tolist()
@@ -61,19 +56,21 @@ def uppdatera_embeddings():
 
 def sök_faq(fråga):
     """
-    Utför en semantisk sökning i FAQ och returnerar de tre bästa resultaten.
+    Gör en semantisk sökning i FAQ och returnerar topp 3 resultat.
     """
     fråga = fråga.strip()
     if not fråga:
         return pd.DataFrame(columns=["Liknande fråga", "Svar", "Kategori", "Confidence"])
-
+    
+    # Skapa embedding för sökfrågan
     query_emb = model.encode(fråga, convert_to_tensor=True)
     cos_scores = util.cos_sim(query_emb, faq_embeddings)[0]
-
+    
+    # Hämta de 3 bästa resultaten
     top_results = torch.topk(cos_scores, k=3)
     indices = top_results.indices.tolist()
     scores = top_results.values.tolist()
-
+    
     data = []
     for idx, score in zip(indices, scores):
         row = df.iloc[idx]
@@ -87,8 +84,7 @@ def sök_faq(fråga):
 
 def lägg_till_faq(fråga, svar, kategori):
     """
-    Lägger till en ny FAQ-post, uppdaterar Excel-filen, skapar nya embeddings
-    samt pushar ändringen till Hugging Face-repo:t.
+    Lägger till en ny FAQ-post, sparar och synkroniserar med Hugging Face-repot.
     """
     global df
     fråga = fråga.strip()
@@ -99,11 +95,13 @@ def lägg_till_faq(fråga, svar, kategori):
         return "Fråga, svar och kategori får inte vara tomma!"
 
     try:
+        # Lägg till den nya FAQ-posten i DataFrame
         ny_rad = pd.DataFrame([[fråga, svar, kategori]], columns=["Fråga", "Svar", "Kategori"])
         df = pd.concat([df, ny_rad], ignore_index=True)
 
+        # Spara ändringar till Excel-filen
         df.to_excel(faq_path, index=False)
-        uppdatera_embeddings()
+        uppdatera_embeddings()  # Uppdatera embeddings
 
         repo.git_add()
         repo.git_commit(f"Lade till FAQ: {fråga[:50]}...")
@@ -115,13 +113,13 @@ def lägg_till_faq(fråga, svar, kategori):
 
 def visa_senaste_faq(antal=10):
     """
-    Returnerar de senaste 'antal' FAQ-posterna.
+    Returnerar de senaste {antal} FAQ-posterna (från Excel-filen).
     """
     return df.tail(antal)
 
 def uppdatera_faq(gammal_fråga, nytt_svar, ny_kategori):
     """
-    Uppdaterar en befintlig FAQ-post (baserat på exakt matchning av 'Fråga').
+    Uppdaterar FAQ-posten med ny information.
     """
     global df
     gammal_fråga = gammal_fråga.strip()
@@ -153,7 +151,7 @@ def uppdatera_faq(gammal_fråga, nytt_svar, ny_kategori):
 
 def ta_bort_faq(fråga_att_radera):
     """
-    Tar bort en FAQ-post baserat på en exakt matchning av 'Fråga'.
+    Tar bort en vald FAQ-post.
     """
     global df
     fråga_att_radera = fråga_att_radera.strip()
@@ -203,22 +201,32 @@ def visa_logfil():
     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, lägg till, uppdatera eller ta bort FAQ samt visa loggposter.")
-
-    with gr.Tab("FAQ"):
-        # --- Sök i FAQ ---
+    # --- Login-sektionen ---
+    with gr.Column(visible=True) as login_container:
+        gr.Markdown("## Logga in")
+        login_username = gr.Textbox(label="Användarnamn")
+        login_password = gr.Textbox(label="Lösenord", type="password")
+        login_button = gr.Button("Logga in")
+        login_status = gr.Textbox(label="Status")
+
+    # --- Huvudapplikationen (gömmer tills inloggning lyckas) ---
+    with gr.Column(visible=False) as main_container:
+        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 ---
+        # ---- Lägg till FAQ ----
         gr.Markdown("## Lägg till FAQ")
         add_question = gr.Textbox(label="Ny fråga")
         add_answer = gr.Textbox(label="Nytt svar")
@@ -227,7 +235,7 @@ with gr.Blocks() as demo:
         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 ---
+        # ---- 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)")
@@ -239,19 +247,33 @@ with gr.Blocks() as demo:
         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 ---
+        # ---- 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)
+        out_faq_log = gr.Dataframe(label="Senaste poster")
+        btn_show.click(fn=visa_senaste_faq, inputs=[], outputs=out_faq_log)
 
-    with gr.Tab("Logg"):
-        # --- Visa loggfilen ---
-        gr.Markdown("## Visa senast 10 loggposter")
+        # ---- Visa loggfil (senaste 10 konversationer) ----
+        gr.Markdown("## Visa loggfil")
         btn_log = gr.Button("Visa loggfil")
         out_logfil = gr.Dataframe(label="Senaste loggar")
         btn_log.click(fn=visa_logfil, inputs=[], outputs=out_logfil)
 
+    # --- Inloggningsverifiering ---
+    def verify_login(username, password):
+        """
+        Verifierar inloggningsuppgifterna mot miljövariablerna APP_USERNAME och APP_PASSWORD.
+        """
+        valid_username = os.getenv("APP_USERNAME")
+        valid_password = os.getenv("APP_PASSWORD")
+        if username == valid_username and password == valid_password:
+            return "Inloggning lyckades!", gr.update(visible=False), gr.update(visible=True)
+        else:
+            return "Felaktiga inloggningsuppgifter!", gr.update(visible=True), gr.update(visible=False)
+
+    login_button.click(fn=verify_login, 
+                       inputs=[login_username, login_password],
+                       outputs=[login_status, login_container, main_container])
+
 if __name__ == "__main__":
-    # Ange autentisering: username: ChargeNode, password: wer123
-    demo.launch(auth=[("ChargeNode", "wer123")])
+    demo.launch()