Update app.py

app.py

@@ -1,56 +1,52 @@
 import os
+import numpy as np
 import cv2
 import pytesseract
 from pdf2image import convert_from_path
+from fastapi import FastAPI, UploadFile, File
 from transformers import AutoTokenizer, AutoModelForCausalLM
 
-# --- 1. OCRで決算短信PDFからテキスト抽出 ---
-# PDFファイル名
-pdf_path = "kessan.pdf"
-
-# PDFを画像に変換（1ページごとにリストへ）
-images = convert_from_path(pdf_path)
-
-# Tesseractのパス設定（必要な場合、環境に合わせて変更）
-# 例: Windowsの場合
-# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
-
-extracted_text = ""
-
-for i, image in enumerate(images):
-    # PillowのImageオブジェクトをOpenCV形式に変換
-    image_cv = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR)
+app = FastAPI()
+
+# Hugging Face LLMの設定
+MODEL_NAME = "deepseek-ai/deepseek-coder-1.3b"
+tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
+model = AutoModelForCausalLM.from_pretrained(MODEL_NAME)
+
+# OCR関数（決算短信PDF -> テキスト変換）
+def extract_text_from_pdf(pdf_path: str) -> str:
+    images = convert_from_path(pdf_path)
+    extracted_text = ""
+
+    for image in images:
+        img_cv = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR)
+        gray = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY)
+        thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
+        text = pytesseract.image_to_string(thresh, lang="jpn")
+        extracted_text += text + "\n"
+
+    return extracted_text
+
+# LLM要約関数（決算短信のOCRテキスト -> 投資家向け要約）
+def summarize_text(text: str) -> str:
+    prompt = f"以下の決算短信を投資家向けに要約してください:\n{text}"
+    inputs = tokenizer(prompt, return_tensors="pt", truncation=True, max_length=4096)
+    output_ids = model.generate(inputs.input_ids, max_length=512, num_beams=5, early_stopping=True)
+    return tokenizer.decode(output_ids[0], skip_special_tokens=True)
+
+# FastAPIエンドポイント（ファイルアップロード & OCR処理 & LLM要約）
+@app.post("/upload/")
+async def upload_pdf(file: UploadFile = File(...)):
+    file_path = f"/tmp/{file.filename}"
     
-    # 前処理: グレースケール化、二値化（OTSU）やノイズ除去などを必要に応じて追加
-    gray = cv2.cvtColor(image_cv, cv2.COLOR_BGR2GRAY)
-    thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
-    # OCR処理（日本語対応の場合はlang="jpn"を指定）
-    text = pytesseract.image_to_string(thresh, lang="jpn")
-    extracted_text += text + "\n"
-
-print("OCR抽出完了。")
-
-# --- 2. 抽出テキストをLLMへ入力して要約生成 ---
-# Hugging Faceの蒸留済みLLM DeepSeek-Coder-1.3B の利用例
-model_name = "deepseek-ai/deepseek-coder-1.3b"
-
-# モデルとトークナイザーのロード
-tokenizer = AutoTokenizer.from_pretrained(model_name)
-model = AutoModelForCausalLM.from_pretrained(model_name)
-
-# プロンプト作成（必要に応じて調整）
-prompt = (
-    "以下の決算短信の内容を要約し、投資家向けに分かりやすく説明してください:\n\n" +
-    extracted_text
-)
-
-# トークナイズ
-inputs = tokenizer(prompt, return_tensors="pt", truncation=True, max_length=4096)
+    # ファイルを保存
+    with open(file_path, "wb") as f:
+        f.write(await file.read())
 
-# 生成（max_lengthやその他のパラメータは必要に応じて調整）
-output_ids = model.generate(inputs.input_ids, max_length=512, num_beams=5, early_stopping=True)
-summary = tokenizer.decode(output_ids[0], skip_special_tokens=True)
+    # OCRでテキスト抽出
+    extracted_text = extract_text_from_pdf(file_path)
 
-print("\n=== 要約結果 ===")
-print(summary)
+    # LLMで要約
+    summary = summarize_text(extracted_text)
 
+    return {"summary": summary}