Refactor : deleting pre-upload method

app.py

@@ -17,60 +17,6 @@ def home():
     chart_data = dict()
     return render_template('pdf.html', class_probabilities= class_probabilities, predicted_class=predict_class,chart_data = chart_data)
 
-@app.route("/upload", methods=['POST'])
-def process_pdf():
-    # Récupérer le fichier PDF de la requête
-    file = request.files['file']
-    filename = file.filename
-
-    # Enregistrer le fichier dans le répertoire de téléchargement
-    filepath = app.config['UPLOAD_FOLDER'] + "/" + filename
-    file.save(filepath)
-
-    # Ouvrir le fichier PDF
-    pdf_document = fitz.open(filepath)
-
-    # Initialiser une variable pour stocker le texte extrait
-    extracted_text = ""
-
-    # Boucler à travers chaque page pour extraire le texte
-    for page_num in range(len(pdf_document)):
-        # Récupérer l'objet de la page
-        page = pdf_document.load_page(page_num)
-
-        # Extraire le texte de la page
-        page_text = page.get_text()
-
-        # Ajouter le texte de la page à la variable d'extraction
-        extracted_text += f"\nPage {page_num + 1}:\n{page_text}"
-
-    # Fermer le fichier PDF
-    pdf_document.close()
-
-    # Charger le tokenizer
-    tokenizer = BertTokenizer.from_pretrained(r"C:\Users\user\Desktop\3A\PFE\France\Stage PFE\models1-20240411T071206Z-001\models1\bert_tokenizer")
-    # Charger le modèle
-    model = BertForSequenceClassification.from_pretrained(r"C:\Users\user\Desktop\3A\PFE\France\Stage PFE\models1-20240411T071206Z-001\models1\bert_model")
-    
-    # Charger les labels
-    with open(r"C:\Users\user\Desktop\3A\PFE\France\Stage PFE\models1-20240411T071206Z-001\models1\labels.pkl", 'rb') as f:
-        labels = pickle.load(f)
-
-    # Prétraiter le texte extrait
-    inputs = tokenizer(extracted_text, return_tensors="pt", padding=True, truncation=True)
-
-    # Passer l'entrée à travers le modèle pour obtenir les prédictions
-    with torch.no_grad():
-        outputs = model(**inputs)
-
-    # Obtenir les prédictions de classe
-    predicted_class_id = torch.argmax(outputs.logits, dim=1).item()
-    predicted_class = labels[predicted_class_id]
-
-    # Retourner la prédiction de classe ainsi que le texte extrait
-    return render_template("home.html", extracted_text=extracted_text, predicted_class=predicted_class)
-
-
 @app.route('/pdf')
 def pdf():
     predict_class = ""