Delete app.py

app.py

@@ -1,147 +0,0 @@
-import streamlit as st
-from dotenv import load_dotenv
-from langchain.text_splitter import CharacterTextSplitter, RecursiveCharacterTextSplitter
-from langchain.vectorstores import FAISS
-from langchain.embeddings import HuggingFaceEmbeddings  # General embeddings from HuggingFace models.
-from langchain.memory import ConversationBufferMemory
-from langchain.chains import ConversationalRetrievalChain
-from htmlTemplates import css, bot_template, user_template
-from langchain.llms import LlamaCpp  # For loading transformer models.
-from langchain.document_loaders import PyPDFLoader, TextLoader, JSONLoader, CSVLoader
-import tempfile # 임시 파일을 생성하기 위한 라이브러리입니다.
-import os
-from huggingface_hub import hf_hub_download # Hugging Face Hub에서 모델을 다운로드하기 위한 함수입니다.
-
-# PDF 문서로부터 텍스트를 추출하는 함수입니다.
-def get_pdf_text(pdf_docs):
-    temp_dir = tempfile.TemporaryDirectory() # 임시 디렉토리를 생성합니다.
-    temp_filepath = os.path.join(temp_dir.name, pdf_docs.name) # 임시 파일 경로를 생성합니다.
-    with open(temp_filepath, "wb") as f:  # 임시 파일을 바이너리 쓰기 모드로 엽니다.
-        f.write(pdf_docs.getvalue()) # PDF 문서의 내용을 임시 파일에 씁니다.
-    pdf_loader = PyPDFLoader(temp_filepath) # PyPDFLoader를 사용해 PDF를 로드합니다.
-    pdf_doc = pdf_loader.load() # 텍스트를 추출합니다.
-    return pdf_doc # 추출한 텍스트를 반환합니다.
-
-# 과제
-# 아래 텍스트 추출 함수를 작성
-def get_text_file(docs):
-    pass    
-    
-def get_csv_file(docs):
-    pass
-
-def get_json_file(docs):
-    pass
-
-    
-# 문서들을 처리하여 텍스트 청크로 나누는 함수입니다.
-def get_text_chunks(documents):
-    text_splitter = RecursiveCharacterTextSplitter(
-        chunk_size=1000,  # 청크의 크기를 지정합니다.
-        chunk_overlap=200,  # 청크 사이의 중복을 지정합니다.
-        length_function=len  # 텍스트의 길이를 측정하는 함수를 지정합니다.
-    )
-
-    documents = text_splitter.split_documents(documents)  # 문서들을 청크로 나눕니다.
-    return documents  # 나눈 청크를 반환합니다.
-
-
-# 텍스트 청크들로부터 벡터 스토어를 생성하는 함수입니다.
-def get_vectorstore(text_chunks):
-    # 원하는 임베딩 모델을 로드합니다.
-    embeddings = HuggingFaceEmbeddings(model_name='sentence-transformers/all-MiniLM-L12-v2',
-                                       model_kwargs={'device': 'cpu'})  # 임베딩 모델을 설정합니다.
-    vectorstore = FAISS.from_documents(text_chunks, embeddings)  # FAISS 벡터 스토어를 생성합니다.
-    return vectorstore  # 생성된 벡터 스토어를 반환합니다.
-
-
-def get_conversation_chain(vectorstore):
-    model_name_or_path = 'TheBloke/Llama-2-7B-chat-GGUF'
-    model_basename = 'llama-2-7b-chat.Q2_K.gguf'
-    model_path = hf_hub_download(repo_id=model_name_or_path, filename=model_basename)
-
-    llm = LlamaCpp(model_path=model_path,
-                   n_ctx=4086,
-                   input={"temperature": 0.75, "max_length": 2000, "top_p": 1},
-                   verbose=True, )
-    # 대화 기록을 저장하기 위한 메모리를 생성합니다.
-    memory = ConversationBufferMemory(
-        memory_key='chat_history', return_messages=True)
-    # 대화 검색 체인을 생성합니다.
-    conversation_chain = ConversationalRetrievalChain.from_llm(
-        llm=llm,
-        retriever=vectorstore.as_retriever(),
-        memory=memory
-    )
-    return conversation_chain # 생성된 대화 체인을 반환합니다.
-
-# 사용자 입력을 처리하는 함수입니다.
-def handle_userinput(user_question):
-    print('user_question =>  ', user_question)
-    # 대화 체인을 사용하여 사용자 질문에 대한 응답을 생성합니다.
-    response = st.session_state.conversation({'question': user_question})
-    # 대화 기록을 저장합니다.
-    st.session_state.chat_history = response['chat_history']
-
-    for i, message in enumerate(st.session_state.chat_history):
-        if i % 2 == 0:
-            st.write(user_template.replace(
-                "{{MSG}}", message.content), unsafe_allow_html=True)
-        else:
-            st.write(bot_template.replace(
-                "{{MSG}}", message.content), unsafe_allow_html=True)
-
-
-def main():
-    load_dotenv()
-    st.set_page_config(page_title="Chat with multiple Files",
-                       page_icon=":books:")
-    st.write(css, unsafe_allow_html=True)
-
-    if "conversation" not in st.session_state:
-        st.session_state.conversation = None
-    if "chat_history" not in st.session_state:
-        st.session_state.chat_history = None
-
-    st.header("Chat with multiple Files:")
-    user_question = st.text_input("Ask a question about your documents:")
-    if user_question:
-        handle_userinput(user_question)
-
-    with st.sidebar:
-        st.subheader("Your documents")
-        docs = st.file_uploader(
-            "Upload your PDFs here and click on 'Process'", accept_multiple_files=True)
-        if st.button("Process"):
-            with st.spinner("Processing"):
-                # get pdf text
-                doc_list = []
-
-                for file in docs:
-                    print('file - type : ', file.type)
-                    if file.type == 'text/plain':
-                        # file is .txt
-                        doc_list.extend(get_text_file(file))
-                    elif file.type in ['application/octet-stream', 'application/pdf']:
-                        # file is .pdf
-                        doc_list.extend(get_pdf_text(file))
-                    elif file.type == 'text/csv':
-                        # file is .csv
-                        doc_list.extend(get_csv_file(file))
-                    elif file.type == 'application/json':
-                        # file is .json
-                        doc_list.extend(get_json_file(file))
-
-                # get the text chunks
-                text_chunks = get_text_chunks(doc_list)
-
-                # create vector store
-                vectorstore = get_vectorstore(text_chunks)
-
-                # create conversation chain
-                st.session_state.conversation = get_conversation_chain(
-                    vectorstore)
-
-
-if __name__ == '__main__':
-    main()