Delete app اپلود درست و دباگ ۱۱۱۹

app اپلود درست و دباگ ۱۱۱۹

@@ -1,196 +0,0 @@
-import os
-import shutil
-import logging
-import gradio as gr
-from langchain_community.document_loaders import PyPDFLoader  # تغییر به PyPDFLoader
-from langchain_community.embeddings import OpenAIEmbeddings
-from langchain_community.vectorstores import FAISS
-from langchain_community.chat_models import ChatOpenAI
-
-# تنظیمات لاگ‌گیری
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
-# تنظیمات مسیرها
-UPLOAD_FOLDER = "uploaded_files"
-DATABASE_FILE = "/home/user/app/vector_database"  # بدون پسوند .pkl
-os.makedirs(UPLOAD_FOLDER, exist_ok=True)
-
-# بررسی و بارگذاری دیتابیس برداری
-def load_database():
-    try:
-        if os.path.exists(DATABASE_FILE):
-            embeddings = OpenAIEmbeddings(openai_api_key=os.getenv("My_huggingface_key"))
-            vector_db = FAISS.load_local(DATABASE_FILE, embeddings)
-            logger.info(f"✅ دیتابیس بارگذاری شد: {DATABASE_FILE}")
-            return vector_db
-        else:
-            logger.warning(f"❌ دیتابیس در مسیر `{DATABASE_FILE}` وجود ندارد.")
-            return None
-    except Exception as e:
-        logger.error(f"❌ خطا در بارگذاری دیتابیس: {e}")
-        return None
-
-def save_database(vector_db):
-    try:
-        vector_db.save_local(DATABASE_FILE)
-        logger.info(f"✅ دیتابیس ذخیره شد: {DATABASE_FILE}")
-    except Exception as e:
-        logger.error(f"❌ خطا در ذخیره دیتابیس: {e}")
-        raise e
-
-global_vector_db = load_database()
-
-# پردازش و ذخیره‌سازی فایل‌های PDF
-def process_and_store_pdfs(file_paths):
-    texts = []
-    for file_path in file_paths:
-        try:
-            logger.info(f"در حال پردازش فایل: {file_path}")
-            if file_path.endswith(".pdf"):
-                # استفاده از PyPDFLoader به جای PDFMinerLoader
-                loader = PyPDFLoader(file_path)
-                documents = loader.load()
-                texts.extend(documents)
-                logger.info(f"✅ تعداد صفحات پردازش شده: {len(documents)}")
-            else:
-                logger.warning(f"فرمت فایل {file_path} پشتیبانی نمی‌شود.")
-        except Exception as e:
-            logger.error(f"خطا در پردازش فایل {file_path}: {e}")
-
-    try:
-        logger.info("در حال ایجاد embeddings و ذخیره‌سازی در FAISS...")
-        openai_api_key = os.getenv("My_huggingface_key")
-
-        if not openai_api_key:
-            logger.error("❌ کلید API مقداردهی نشده است!")
-            raise ValueError("❌ کلید OpenAI API یافت نشد.")
-
-        embeddings = OpenAIEmbeddings(openai_api_key=openai_api_key)
-        vector_db = FAISS.from_documents(texts, embeddings)
-        logger.info(f"✅ ذخیره‌سازی در FAISS با موفقیت انجام شد. تعداد اسناد: {vector_db.index.ntotal}")
-        return vector_db
-    except Exception as e:
-        logger.error(f"خطا در ایجاد embeddings یا ذخیره‌سازی در FAISS: {e}")
-        return None
-
-# پاسخ‌گویی بر اساس اسناد بارگذاری‌شده
-def chat_with_doc(query):
-    try:
-        global global_vector_db
-        if not global_vector_db:
-            return "❌ لطفاً یک فایل مرتبط آپلود کنید."
-
-        if not query.strip():
-            return "❌ لطفاً سوال خود را وارد کنید."
-
-        retriever = global_vector_db.as_retriever(search_kwargs={"k": 5})
-        docs = retriever.get_relevant_documents(query)
-        context = "\n\n".join([doc.page_content for doc in docs])
-
-        if not context:
-            return "هیچ اطلاعات مرتبطی یافت نشد."
-
-        llm = ChatOpenAI(model_name="gpt-4", openai_api_key=os.getenv("My_huggingface_key"))
-        response = llm.predict(f"""سوال: {query}\n\nاطلاعات مرتبط:\n{context}\n\nپاسخ:""")
-
-        final_response = f"پاسخ:\n{response}\n\nمنابع:\n"
-        for doc in docs:
-            final_response += f"- {doc.metadata.get('source', 'نامشخص')}, صفحه {doc.metadata.get('page', 'نامشخص')}\n"
-
-        return final_response
-    except Exception as e:
-        logger.error(f"خطا در پاسخ‌گویی بر اساس سند: {e}")
-        return f"❌ خطایی رخ داده است: {e}"
-
-# ذخیره فایل آپلود شده
-def save_uploaded_file(file):
-    try:
-        file_name = os.path.basename(file)
-        file_path = os.path.join(UPLOAD_FOLDER, file_name)
-        shutil.copy(file, file_path)
-
-        global global_vector_db
-        global_vector_db = process_and_store_pdfs([file_path])
-        if global_vector_db:
-            save_database(global_vector_db)
-
-        return f"✅ فایل ذخیره شد: {file_path}"
-    except Exception as e:
-        return f"❌ خطا در ذخیره فایل: {e}"
-
-# دباگ موقت
-def debug_temp():
-    debug_results = []
-
-    # بررسی مقدار کلید API
-    openai_api_key = os.getenv("My_huggingface_key")
-    if openai_api_key:
-        debug_results.append(f"✅ کلید API مقداردهی شده: {openai_api_key[:5]}********")
-    else:
-        debug_results.append("❌ کلید API مقداردهی نشده است!")
-
-    # بررسی نسخه langchain_community
-    try:
-        import langchain_community
-        version = langchain_community.__version__
-        debug_results.append(f"✅ نسخه langchain_community: {version}")
-    except Exception as e:
-        debug_results.append(f"❌ خطا در بررسی نسخه langchain_community: {e}")
-
-    # بررسی فایل‌های PDF در مسیر آپلود
-    try:
-        pdf_files = [f for f in os.listdir(UPLOAD_FOLDER) if f.endswith(".pdf")]
-        if pdf_files:
-            file_paths = [os.path.join(UPLOAD_FOLDER, f) for f in pdf_files]
-            debug_results.append(f"✅ فایل‌های PDF در مسیر `{UPLOAD_FOLDER}`:")
-            
-            # بررسی تعداد صفحات هر فایل
-            for file_path in file_paths:
-                try:
-                    loader = PyPDFLoader(file_path)  # استفاده از PyPDFLoader
-                    documents = loader.load()
-                    debug_results.append(f"   - {os.path.basename(file_path)}: {len(documents)} صفحه")
-                except Exception as e:
-                    debug_results.append(f"❌ خطا در بررسی صفحات {file_path}: {str(e)}")
-        else:
-            debug_results.append(f"❌ هیچ فایل PDF در مسیر `{UPLOAD_FOLDER}` وجود ندارد.")
-    except Exception as e:
-        debug_results.append(f"❌ خطا در بررسی پوشه `{UPLOAD_FOLDER}`: {e}")
-
-    # بررسی وضعیت دیتابیس
-    try:
-        if os.path.exists(DATABASE_FILE):
-            debug_results.append(f"✅ دیتابیس در مسیر `{DATABASE_FILE}` وجود دارد.")
-            
-            # بررسی تعداد اسناد ذخیره شده
-            if global_vector_db:
-                debug_results.append(f"   - تعداد اسناد در دیتابیس: {global_vector_db.index.ntotal}")
-            else:
-                debug_results.append("❌ دیتابیس در حافظه بارگذاری نشده است")
-        else:
-            debug_results.append(f"❌ دیتابیس در مسیر `{DATABASE_FILE}` وجود ندارد.")
-    except Exception as e:
-        debug_results.append(f"❌ خطا در بررسی دیتابیس: {e}")
-
-    return "\n".join(debug_results)
-
-# رابط کاربری با Gradio
-with gr.Blocks() as demo:
-    gr.Markdown("# هوش مصنوعی همراه کارشناسان توزیع برق ایران")
-
-    query = gr.Textbox(label="سوال خود را بپرسید", lines=2)
-    response = gr.Textbox(label="پاسخ", lines=10, interactive=False)
-    submit_btn = gr.Button("ارسال سوال")
-
-    file = gr.File(label="📎 آپلود فایل", file_types=[".pdf"])
-    upload_status = gr.Textbox(label="وضعیت آپلود", interactive=False)
-    upload_btn = gr.Button("ارسال فایل")
-
-    debug_btn = gr.Button("🔍 بررسی دباگ موقت")
-    debug_output = gr.Textbox(label="نتایج دباگ", lines=10, interactive=False)
-
-    upload_btn.click(save_uploaded_file, inputs=[file], outputs=[upload_status])
-    debug_btn.click(debug_temp, outputs=debug_output)
-
-demo.launch()