Create app.py

app.py

@@ -0,0 +1,184 @@
+import gradio as gr
+import pandas as pd
+import json
+import os
+import re
+from typing import Dict, List, Optional
+
+# تنظیمات
+DB_PATH = "material_db.json"
+os.makedirs("uploads", exist_ok=True)
+
+class ProjectEstimator:
+    def __init__(self):
+        self.db = self._load_db()
+
+    def _load_db(self) -> Dict:
+        try:
+            with open(DB_PATH, 'r', encoding='utf-8') as f:
+                return json.load(f)
+        except (FileNotFoundError, json.JSONDecodeError):
+            return {"projects": {}, "rules": {}}
+
+    def _save_db(self):
+        with open(DB_PATH, 'w', encoding='utf-8') as f:
+            json.dump(self.db, f, ensure_ascii=False, indent=2)
+
+    def add_entry(self, description: str, excel_file: Optional[str] = None) -> str:
+        entry_id = f"entry_{len(self.db['projects']) + 1}"
+        
+        # پردازش متن
+        features = self._parse_description(description)
+        
+        # پردازش اکسل (اگر وجود دارد)
+        materials = []
+        if excel_file:
+            try:
+                df = pd.read_excel(excel_file)
+                materials = self._parse_excel(df)
+            except Exception as e:
+                return f"❌ خطا در پردازش فایل اکسل: {str(e)}"
+        
+        # ذخیره در دیتابیس
+        self.db['projects'][entry_id] = {
+            "description": description,
+            "features": features,
+            "materials": materials
+        }
+        self._save_db()
+        return f"✅ ورودی با شناسه {entry_id} ثبت شد"
+
+    def _parse_description(self, text: str) -> Dict:
+        """استخراج ویژگی‌ها از متن توصیفی"""
+        features = {
+            "height": self._extract_value(text, r'ارتفاع\s*(\d+)'),
+            "capacity": self._extract_value(text, r'توان\s*(\d+)'),
+            "conductor": self._extract_conductor(text),
+            "formulas": self._extract_formulas(text)
+        }
+        return {k: v for k, v in features.items() if v}
+
+    def _parse_excel(self, df: pd.DataFrame) -> List[Dict]:
+        """پردازش فایل اکسل برآورد"""
+        materials = []
+        for _, row in df.iterrows():
+            item = {
+                "code": str(row.get('کد', '')),
+                "title": str(row.get('عنوان', '')),
+                "unit": str(row.get('واحد', '')),
+                "conditions": {
+                    "height": row.get('ارتفاع پایه'),
+                    "capacity": row.get('توان پایه'),
+                    "conductor": row.get('نوع هادی')
+                },
+                "quantity": str(row.get('تعداد', ''))
+            }
+            materials.append(item)
+        return materials
+
+    def estimate(self, description: str) -> Dict:
+        """محاسبه برآورد براساس توضیحات"""
+        features = self._parse_description(description)
+        results = []
+        
+        for project_id, project in self.db['projects'].items():
+            if self._match_project(project, features):
+                for item in project['materials']:
+                    if self._match_material(item, features):
+                        results.append({
+                            "project": project_id,
+                            "code": item['code'],
+                            "title": item['title'],
+                            "quantity": self._calc_quantity(item, features),
+                            "unit": item['unit']
+                        })
+        
+        return {
+            "features": features,
+            "estimates": results
+        }
+
+    def _match_project(self, project: Dict, features: Dict) -> bool:
+        """بررسی تطابق پروژه با ویژگی‌های درخواستی"""
+        # می‌توانید منطق پیشرفته‌تری اینجا پیاده‌سازی کنید
+        return True
+
+    def _match_material(self, material: Dict, features: Dict) -> bool:
+        """بررسی شرایط هر قلم کالا"""
+        cond = material.get('conditions', {})
+        return (
+            (cond.get('height') is None or cond['height'] == features.get('height')) and
+            (cond.get('capacity') is None or cond['capacity'] == features.get('capacity')) and
+            (cond.get('conductor') is None or cond['conductor'] == features.get('conductor'))
+        )
+
+    def _calc_quantity(self, material: Dict, features: Dict) -> float:
+        """محاسبه مقدار نهایی"""
+        try:
+            if str(material['quantity']).startswith('='):
+                return eval(str(material['quantity'])[1:], {}, features)
+            return float(material['quantity'])
+        except:
+            return 1.0
+
+    # متدهای کمکی
+    def _extract_value(self, text: str, pattern: str) -> Optional[float]:
+        match = re.search(pattern, text)
+        return float(match.group(1)) if match else None
+
+    def _extract_conductor(self, text: str) -> Optional[str]:
+        conductors = ["مینک", "هاینا", "فاکس"]
+        for cond in conductors:
+            if cond in text:
+                return cond
+        return None
+
+    def _extract_formulas(self, text: str) -> Dict:
+        formulas = {}
+        # استخراج فرمول‌ها از متن
+        return formulas
+
+# ایجاد نمونه
+estimator = ProjectEstimator()
+
+# رابط کاربری
+with gr.Blocks(title="سیستم برآورد هوشمند") as demo:
+    with gr.Tab("📥 ثبت قوانین/پروژه"):
+        desc_input = gr.TextArea(label="توضیحات کامل پروژه یا قوانین")
+        file_input = gr.File(label="فایل اکسل (اختیاری)", file_types=[".xlsx"])
+        submit_btn = gr.Button("ثبت در دیتابیس")
+        output_status = gr.Textbox(label="وضعیت ثبت")
+        
+        submit_btn.click(
+            estimator.add_entry,
+            inputs=[desc_input, file_input],
+            outputs=output_status
+        )
+
+    with gr.Tab("📊 دریافت برآورد"):
+        request_input = gr.TextArea(label="توضیحات پروژه مورد نظر")
+        estimate_btn = gr.Button("محاسبه برآورد")
+        
+        with gr.Row():
+            features_output = gr.JSON(label="ویژگی‌های استخراج شده")
+            results_output = gr.Dataframe(
+                headers=["پروژه مرجع", "کد", "عنوان", "مقدار", "واحد"],
+                datatype=["str", "str", "str", "number", "str"]
+            )
+        
+        estimate_btn.click(
+            estimator.estimate,
+            inputs=request_input,
+            outputs=[features_output, results_output]
+        )
+
+    with gr.Tab("🗃️ مشاهده دیتابیس"):
+        db_viewer = gr.JSON(label="محتوای دیتابیس")
+        refresh_btn = gr.Button("بروزرسانی نمایش")
+        refresh_btn.click(
+            lambda: estimator.db,
+            outputs=db_viewer
+        )
+
+if __name__ == "__main__":
+    demo.launch()