Update app.py

app.py

@@ -8,70 +8,71 @@ from langchain.chains import ConversationalRetrievalChain
 from htmlTemplates import css, bot_template, user_template
 from langchain.llms import LlamaCpp  # For loading transformer models.
 from langchain.document_loaders import PyPDFLoader, TextLoader, JSONLoader, CSVLoader
-import tempfile
+import tempfile # 임시 파일을 생성하기 위한 라이브러리입니다.
 import os
-from huggingface_hub import hf_hub_download
-
+from huggingface_hub import hf_hub_download # Hugging Face Hub에서 모델을 다운로드하기 위한 함수입니다.
 
+# PDF 문서로부터 텍스트를 추출하는 함수입니다.
 def get_pdf_text(pdf_docs):
-    temp_dir = tempfile.TemporaryDirectory()
-    temp_filepath = os.path.join(temp_dir.name, pdf_docs.name)
-    with open(temp_filepath, "wb") as f:
-        f.write(pdf_docs.getvalue())
-    pdf_loader = PyPDFLoader(temp_filepath)
-    pdf_doc = pdf_loader.load()
-    return pdf_doc
+    temp_dir = tempfile.TemporaryDirectory() # 임시 디렉토리를 생성합니다.
+    temp_filepath = os.path.join(temp_dir.name, pdf_docs.name) # 임시 파일 경로를 생성합니다.
+    with open(temp_filepath, "wb") as f:  # 임시 파일을 바이너리 쓰기 모드로 엽니다.
+        f.write(pdf_docs.getvalue()) # PDF 문서의 내용을 임시 파일에 씁니다.
+    pdf_loader = PyPDFLoader(temp_filepath) # PyPDFLoader를 사용해 PDF를 로드합니다.
+    pdf_doc = pdf_loader.load() # 텍스트를 추출합니다.
+    return pdf_doc # 추출한 텍스트를 반환합니다.
 
 
 def get_text_file(docs):
-    with NamedTemporaryFile() as temp_file:
-        temp_file.write(docs.getvalue())
-        temp_file.seek(0)
-        text_loader = TextLoader(temp_file.name)
-        text_doc = text_loader.load()
-
-        return text_doc
+    temp_dir = tempfile.TemporaryDirectory()
+    temp_filepath = os.path.join(temp_dir.name, docs.name)
+    with open(temp_filepath, "wb") as f:
+        f.write(docs.getvalue())
+    text_loader = TextLoader(temp_filepath)
+    text_doc = text_loader.load()
+    return text_doc
 
 
 def get_csv_file(docs):
-    with NamedTemporaryFile() as temp_file:
-        temp_file.write(docs.getvalue())
-        temp_file.seek(0)
-        text_loader = CSVLoader(temp_file.name)
-        text_doc = text_loader.load()
-
-        return text_doc
-
+    temp_dir = tempfile.TemporaryDirectory()
+    temp_filepath = os.path.join(temp_dir.name, docs.name)
+    with open(temp_filepath, "wb") as f:
+        f.write(docs.getvalue())
+    csv_loader = CSVLoader(temp_filepath)
+    csv_doc = csv_loader.load()        
+    return csv_doc
 
 def get_json_file(docs):
-    with NamedTemporaryFile() as temp_file:
-        temp_file.write(docs.getvalue())
-        temp_file.seek(0)
-        json_loader = JSONLoader(temp_file.name,
+    temp_dir = tempfile.TemporaryDirectory()
+    temp_filepath = os.path.join(temp_dir.name, docs.name)
+    with open(temp_filepath, "wb") as f:
+        f.write(docs.getvalue())
+    json_loader = JSONLoader(temp_filepath,
                                  jq_schema='.scans[].relationships',
                                  text_content=False)
-        json_doc = json_loader.load()
-
-        return json_doc
+    json_doc = json_loader.load()
 
+    return json_doc
 
+# 문서들을 처리하여 텍스트 청크로 나누는 함수입니다.
 def get_text_chunks(documents):
     text_splitter = RecursiveCharacterTextSplitter(
-        chunk_size=1000,
-        chunk_overlap=200,
-        length_function=len
+        chunk_size=1000,  # 청크의 크기를 지정합니다.
+        chunk_overlap=200,  # 청크 사이의 중복을 지정합니다.
+        length_function=len  # 텍스트의 길이를 측정하는 함수를 지정합니다.
     )
 
-    documents = text_splitter.split_documents(documents)
-    return documents
+    documents = text_splitter.split_documents(documents)  # 문서들을 청크로 나눕니다.
+    return documents  # 나눈 청크를 반환합니다.
 
 
+# 텍스트 청크들로부터 벡터 스토어를 생성하는 함수입니다.
 def get_vectorstore(text_chunks):
-    # Load the desired embeddings model.
+    # 원하는 임베딩 모델을 로드합니다.
     embeddings = HuggingFaceEmbeddings(model_name='sentence-transformers/all-MiniLM-L12-v2',
-                                       model_kwargs={'device': 'cpu'})
-    vectorstore = FAISS.from_documents(text_chunks, embeddings)
-    return vectorstore
+                                       model_kwargs={'device': 'cpu'})  # 임베딩 모델을 설정합니다.
+    vectorstore = FAISS.from_documents(text_chunks, embeddings)  # FAISS 벡터 스토어를 생성합니다.
+    return vectorstore  # 생성된 벡터 스토어를 반환합니다.
 
 
 def get_conversation_chain(vectorstore):
@@ -83,19 +84,23 @@ def get_conversation_chain(vectorstore):
                    n_ctx=4086,
                    input={"temperature": 0.75, "max_length": 2000, "top_p": 1},
                    verbose=True, )
+    # 대화 기록을 저장하기 위한 메모리를 생성합니다.
     memory = ConversationBufferMemory(
         memory_key='chat_history', return_messages=True)
+    # 대화 검색 체인을 생성합니다.
     conversation_chain = ConversationalRetrievalChain.from_llm(
         llm=llm,
         retriever=vectorstore.as_retriever(),
         memory=memory
     )
-    return conversation_chain
-
+    return conversation_chain # 생성된 대화 체인을 반환합니다.
 
+# 사용자 입력을 처리하는 함수입니다.
 def handle_userinput(user_question):
     print('user_question =>  ', user_question)
+    # 대화 체인을 사용하여 사용자 질문에 대한 응답을 생성합니다.
     response = st.session_state.conversation({'question': user_question})
+    # 대화 기록을 저장합니다.
     st.session_state.chat_history = response['chat_history']
 
     for i, message in enumerate(st.session_state.chat_history):
@@ -159,4 +164,4 @@ def main():
 
 
 if __name__ == '__main__':
-    main()
+    main()