Spaces:
Sleeping
Sleeping
File size: 4,902 Bytes
1972b5c |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 |
import gradio as gr
from transformers import pipeline
import PyPDF2
import torch
# ===== 1) اختر الموديل هنا =====
# موديل إنجليزي:
# MODEL_NAME = "csebuetnlp/mT5_multilingual_XLSum"
# موديل ملخص متعدد اللغات (يدعم العربية أفضل):
MODEL_NAME = "csebuetnlp/mT5_multilingual_XLSum"
# ===== 2) تجهيز الـ pipeline =====
device = 0 if torch.cuda.is_available() else -1
summarizer = pipeline(
"summarization",
model=MODEL_NAME,
tokenizer=MODEL_NAME,
device=device,
)
# ===== 3) قراءة الـ PDF =====
def read_pdf(file_obj):
"""
يستقبل ملف PDF من Gradio (file_obj)،
يرجّع النص المستخرج من كل الصفحات.
"""
if file_obj is None:
return ""
reader = PyPDF2.PdfReader(file_obj)
text = ""
for page in reader.pages:
page_text = page.extract_text()
if page_text:
text += page_text + "\n"
return text
# ===== 4) تقسيم النص لقطع (عشان حدود الموديل) =====
def chunk_text(text, max_chars=2000):
"""
يقسم النص إلى قطع صغيرة بعدد حروف أقصاه max_chars
عشان لا نتجاوز حدود الموديل.
"""
paragraphs = text.split("\n")
chunks = []
current = ""
for p in paragraphs:
p = p.strip()
if not p:
continue
# لو نقدر نضيف الفقرة للجزء الحالي بدون ما نتعدى الحد
if len(current) + len(p) + 1 <= max_chars:
current += ("\n" + p) if current else p
else:
# نخزن الجزء القديم ونبدأ جزء جديد
if current.strip():
chunks.append(current.strip())
current = p
if current.strip():
chunks.append(current.strip())
return chunks
# ===== 5) دالة التلخيص الرئيسية =====
def summarize_pdf(file, max_summary_length=200):
"""
تستقبل ملف PDF من واجهة Gradio،
تقرأ النص، تقسمه لقطع، تلخص كل جزء،
ثم تلخص التلخيصات مرة ثانية (لو كانت كثيرة).
"""
if file is None:
return "رجاءً ارفع ملف PDF أولاً."
# 1) قراءة النص من الـ PDF
text = read_pdf(file)
if not text or len(text.strip()) < 50:
return "لم أستطع قراءة نص واضح من الـ PDF. تأكد أن الملف ليس صورة ممسوحة فقط (scan)."
# 2) تقسيم النص
chunks = chunk_text(text, max_chars=2000)
# 3) تلخيص كل جزء
partial_summaries = []
for idx, ch in enumerate(chunks, start=1):
# نضمن طول منطقي للتلخيص
try:
result = summarizer(
ch,
max_length=max_summary_length,
min_length=int(max_summary_length / 3),
do_sample=False,
)
summary_text = result[0]["summary_text"]
except Exception as e:
summary_text = f"[خطأ في تلخيص الجزء {idx}: {e}]"
partial_summaries.append(summary_text)
combined = "\n\n".join(partial_summaries)
# 4) لو الملف طويل جداً (أكثر من جزء واحد)، نلخص التلخيص النهائي
if len(partial_summaries) > 1:
try:
final = summarizer(
combined,
max_length=max_summary_length,
min_length=int(max_summary_length / 3),
do_sample=False,
)[0]["summary_text"]
return final
except Exception:
# لو فشل التلخيص الثاني، نرجع دمج التلخيصات الأولية
return combined
else:
return combined
# ===== 6) واجهة Gradio =====
with gr.Blocks() as demo:
gr.Markdown(
"""
# 📄 PDF Summarizer / ملخّص ملفات PDF
ارفع ملف PDF وسيقوم النموذج بقراءة النص وتلخيصه بشكل تلقائي.
يمكن تعديل طول التلخيص باستخدام الشريط أسفل.
"""
)
with gr.Row():
pdf_input = gr.File(
label="📎 ارفع ملف PDF",
file_types=[".pdf"],
)
max_len = gr.Slider(
minimum=50,
maximum=400,
step=50,
value=200,
label="أقصى طول للتلخيص (تقريبي)",
)
output = gr.Textbox(
label="ملخص الملف",
lines=15,
)
summarize_btn = gr.Button("✨ تلخيص PDF")
summarize_btn.click(
fn=summarize_pdf,
inputs=[pdf_input, max_len],
outputs=output,
)
# مهم في Hugging Face Spaces:
demo.launch()
|