Update app.py

app.py

@@ -1,117 +1,69 @@
 import os
 import gradio as gr
-import logging
+import faiss
+import PyMuPDF
 from langchain_community.vectorstores import FAISS
-from langchain_openai import OpenAIEmbeddings
-from langchain_community.chat_models import ChatOpenAI
-
-os.system("pip install pymupdf")
-import fitz  # PyMuPDF
-  
-import shutil
-
-# تنظیمات لاگ‌گیری
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
-# مسیر دیتابیس برداری
-VECTOR_DB_PATH = "/home/user/app/vector_database"
-
-# بارگذاری مدل جاسازی متن
-embeddings = OpenAIEmbeddings(openai_api_key=os.getenv("My_huggingface_key"))
-
-# تابع بارگذاری دیتابیس برداری
+from langchain.embeddings.openai import OpenAIEmbeddings
+from sentence_transformers import SentenceTransformer
+
+# مدل برای embeddings
+print("⏳ در حال بارگذاری مدل embeddings...")
+model = SentenceTransformer("all-MiniLM-L6-v2")
+print("✅ مدل embeddings بارگذاری شد.")
+
+# تولید embeddings اولیه
+try:
+    sample_text = ["نمونه متن برای تست"]
+    embeddings = model.encode(sample_text)
+    print(f"✅ Embeddings اولیه تولید شد: {embeddings.shape}")
+except Exception as e:
+    print(f"❌ خطا در تولید embeddings: {e}")
+    embeddings = None
+
+# بررسی دیتابیس FAISS
 def load_database():
-    if os.path.exists(VECTOR_DB_PATH):
-        logger.info("✅ دیتابیس موجود است. بارگذاری در حال انجام...")
-        return FAISS.load_local(VECTOR_DB_PATH, embeddings)
-    else:
-        logger.warning("❌ دیتابیس وجود ندارد. ایجاد دیتابیس جدید...")
-        return FAISS.from_documents([], embeddings)
-
-global_vector_db = load_database()
-
-# تابع پردازش PDF
-def process_pdf(file_path):
+    global embeddings
+    if embeddings is None or len(embeddings) == 0:
+        print("⚠️ خطا: لیست embeddings خالی است. FAISS مقداردهی نمی‌شود.")
+        return None
+    
+    print("⏳ در حال مقداردهی FAISS...")
     try:
-        doc = PyMuPDF.open(file_path)
-        text = "\n".join([page.get_text("text") for page in doc])
-        return text
+        index = faiss.IndexFlatL2(len(embeddings[0]))
+        faiss_db = FAISS(index)
+        print("✅ FAISS مقداردهی شد.")
+        return faiss_db
     except Exception as e:
-        logger.error(f"❌ خطا در پردازش PDF: {e}")
+        print(f"❌ خطا در مقداردهی FAISS: {e}")
         return None
 
-# تابع ذخیره‌سازی دیتابیس
-def save_database(db):
-    db.save_local(VECTOR_DB_PATH)
-
-# تابع پردازش و ذخیره فایل
-def save_uploaded_file(file_path):
-    try:
-        if not file_path:
-            return "❌ فایلی انتخاب نشده است."
-
-        logger.info(f"✅ فایل دریافت شد: {file_path}")
-
-        # کپی فایل به مسیر مشخص
-        target_path = os.path.join("/home/user/app/uploads", os.path.basename(file_path))
-        shutil.copy(file_path, target_path)
+# بررسی اینکه دیتابیس از قبل وجود دارد یا خیر
+if not os.path.exists("faiss_index"):
+    print("❌ دیتابیس وجود ندارد. ایجاد دیتابیس جدید...")
+    global_vector_db = load_database()
+else:
+    print("✅ دیتابیس FAISS موجود است.")
 
-        # پردازش PDF و ایجاد دیتابیس برداری
-        text = process_pdf(file_path)
-        if not text:
-            return "❌ پردازش PDF ناموفق بود."
-
-        global global_vector_db
-        new_vector_db = FAISS.from_texts([text], embeddings)
-
-        # به‌روزرسانی دیتابیس برداری
-        if new_vector_db:
-            global_vector_db = new_vector_db
-            save_database(global_vector_db)
-            return f"✅ فایل پردازش و ذخیره شد: {os.path.basename(file_path)}"
-        else:
-            return "❌ خطا در پردازش فایل."
-
-    except Exception as e:
-        logger.error(f"❌ خطا در پردازش فایل: {e}")
-        return f"❌ خطایی رخ داد: {e}"
-
-# تابع دریافت پاسخ
-def get_response(query):
+# تابع پردازش فایل
+def process_pdf(file):
     try:
-        if not global_vector_db:
-            return "❌ دیتابیس هنوز ایجاد نشده است."
-
-        # بازیابی اطلاعات مرتبط
-        docs = global_vector_db.similarity_search(query, k=3)
-        references = "\n".join([doc.page_content for doc in docs])
-
-        if not docs:
-            return "❌ هیچ نتیجه‌ای یافت نشد."
-
-        return f"📖 **پاسخ:**\n{references}"
+        doc = PyMuPDF.open(file.name)
+        text = "\n".join([page.get_text() for page in doc])
+        print(f"✅ فایل پردازش شد. {len(text)} کاراکتر استخراج شد.")
+        return text
     except Exception as e:
-        logger.error(f"❌ خطا در دریافت پاسخ: {e}")
-        return f"❌ خطایی رخ داد: {e}"
+        print(f"❌ خطا در پردازش PDF: {e}")
+        return "⚠️ خطا در پردازش فایل"
 
-# ساخت رابط کاربری Gradio
+# رابط گرافیکی
 with gr.Blocks() as demo:
-    gr.Markdown("# 📘 **دستیار هوش مصنوعی تحلیل اسناد توزیع برق**")
-
-    with gr.Row():
-        upload_button = gr.File(label="📂 آپلود فایل PDF", type="filepath")
-        upload_status = gr.Textbox(label="📢 وضعیت آپلود", interactive=False)
-
-    process_button = gr.Button("📥 پردازش فایل")
-    process_button.click(fn=save_uploaded_file, inputs=[upload_button], outputs=[upload_status])
-
-    query_input = gr.Textbox(label="🔍 سوال خود را وارد کنید:")
-    response_output = gr.HTML(label="📢 پاسخ")  # حذف `interactive=False`
-
-    search_button = gr.Button("🔎 دریافت پاسخ")
-    search_button.click(fn=get_response, inputs=[query_input], outputs=[response_output])
+    gr.Markdown("# 🚀 ابزار تحلیل اسناد توزیع برق")
+    file_input = gr.File(label="آپلود فایل PDF", type="filepath")
+    output_text = gr.Textbox(label="📄 محتوای پردازش شده")
+    
+    file_input.change(process_pdf, inputs=file_input, outputs=output_text)
 
 # اجرای برنامه
 if __name__ == "__main__":
+    print("🚀 برنامه در حال اجرا است...")
     demo.launch()