.

README.md

@@ -4,10 +4,9 @@ emoji: 📊
 colorFrom: purple
 colorTo: indigo
 sdk: streamlit
-sdk_version: 1.28.2
+sdk_version: 1.27.2
 app_file: app.py
 pinned: false
-license: apache-2.0
 ---
 
 Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference

app.py

@@ -11,6 +11,9 @@ from langchain.document_loaders import PyPDFLoader, TextLoader, JSONLoader, CSVL
 import tempfile # 임시 파일을 생성하기 위한 라이브러리입니다.
 import os
 from huggingface_hub import hf_hub_download # Hugging Face Hub에서 모델을 다운로드하기 위한 함수입니다.
+import json
+from pathlib import Path
+from pprint import pprint
 
 # PDF 문서로부터 텍스트를 추출하는 함수입니다.
 def get_pdf_text(pdf_docs):
@@ -30,9 +33,14 @@ def get_text_file(docs):
     return [text]
 
 
-def get_csv_file(docs):
-    lines = docs.getvalue().decode('utf-8').split('\n')
-    return lines
+def get_csv_file(csv_docs):
+    temp_dir = tempfile.TemporaryDirectory()  # 임시 디렉토리를 생성합니다.
+    temp_filepath = os.path.join(temp_dir.name, csv_docs.name)  # 임시 파일 경로를 생성합니다.
+    with open(temp_filepath, "wb") as f:  # 임시 파일을 바이너리 쓰기 모드로 엽니다.
+        f.write(csv_docs.getvalue()) # PDF 문서의 내용을 임시 파일에 씁니다.
+    loader = CSVLoader(temp_filepath)
+    csv_doc = loader.load()
+    return csv_doc  # 추출한 텍스트를 반환합니다.
 
 
 def get_json_file(docs):
@@ -56,6 +64,7 @@ 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.
+    print("Embeddings:", embeddings)
     vectorstore = FAISS.from_documents(text_chunks, embeddings)  # FAISS 벡터 스토어를 생성합니다.
     return vectorstore  # 생성된 벡터 스토어를 반환합니다.