Hugging Face's logo

Spaces:
aymanelgamal
/
Doctorak-RAG
Configuration error

App Files Community
Doctorak-RAG
File size: 4,383 Bytes
8cbfc52
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
import re
from dataclasses import dataclass
from typing import List

import pandas as pd

import config


# ─────────────────────────────────────────────────────────────
# Data Model
# ─────────────────────────────────────────────────────────────

@dataclass
class QARecord:
    id: int
    question: str
    answer: str
    content: str
    tokens: List[str]


# ─────────────────────────────────────────────────────────────
# Arabic Cleaning
# ─────────────────────────────────────────────────────────────

ARABIC_DIACRITICS = re.compile("""
                             Ω‘    | # Tashdid
                             َ    | # Fatha
                             Ω‹    | # Tanwin Fath
                             ُ    | # Damma
                             ٌ    | # Tanwin Damm
                             ِ    | # Kasra
                             ٍ    | # Tanwin Kasr
                             Ω’    | # Sukun
                             Ω€
                         """, re.VERBOSE)


def normalize_arabic(text):

    text = re.sub(
        "[Ψ₯Ψ£Ψ’Ψ§]",
        "Ψ§",
        text,
    )

    text = re.sub(
        "Ω‰",
        "ي",
        text,
    )

    text = re.sub(
        "Ψ€",
        "و",
        text,
    )

    text = re.sub(
        "Ψ¦",
        "ي",
        text,
    )

    text = re.sub(
        "Ψ©",
        "Ω‡",
        text,
    )

    return text


def strip_diacritics(text):

    return re.sub(
        ARABIC_DIACRITICS,
        "",
        text,
    )


# ─────────────────────────────────────────────────────────────
# Cleaning
# ─────────────────────────────────────────────────────────────

def clean_text(text):

    text = str(text).strip()

    text = strip_diacritics(text)

    text = normalize_arabic(text)

    text = re.sub(
        r"\s+",
        " ",
        text,
    )

    return text


# ─────────────────────────────────────────────────────────────
# Tokenization
# ─────────────────────────────────────────────────────────────

def tokenize(text):

    text = clean_text(text)

    text = re.sub(
        r"[^\w\s]",
        " ",
        text,
    )

    tokens = text.split()

    return tokens


# ─────────────────────────────────────────────────────────────
# Load Excel
# ─────────────────────────────────────────────────────────────

def load_excel(
    path,
    question_col=None,
    answer_col=None,
):

    question_col = (
        question_col
        or
        config.QUESTION_COL
    )

    answer_col = (
        answer_col
        or
        config.ANSWER_COL
    )

    df = pd.read_excel(path)

    records = []

    for idx, row in df.iterrows():

        q = clean_text(
            row[question_col]
        )

        a = clean_text(
            row[answer_col]
        )

        # IMPORTANT:
        # index question + answer together

        content = f"""
Ψ§Ω„Ψ³Ψ€Ψ§Ω„:
{q}

Ψ§Ω„Ψ¬ΩˆΨ§Ψ¨:
{a}
"""

        tokens = tokenize(content)

        records.append(
            QARecord(
                id=idx,
                question=q,
                answer=a,
                content=content,
                tokens=tokens,
            )
        )

    return records