app.py

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import joblib
import re
from sentence_transformers import SentenceTransformer
from threading import Lock
import os
import sys

# Pydantic: Gelen JSON verisini doğrulamak için model
class MakaleBasligi(BaseModel):
    """API'ye gelen JSON gövdesinin yapısını tanımlar ve veri doğrulamasını yapar."""
    baslik: str

# FastAPI uygulamasını başlat
app = FastAPI(
    title="Makale Kategorize Etme API",
    description="Hugging Face üzerinde barındırılan metin gömme ve SVC ile kategori tahmin hizmeti.",
    version="1.0.0"
)

# Model yükleme işlemini sadece bir kez yapmak için global değişkenler
MODEL_LOADED = False
MODEL_LOCK = Lock()
classifier = None
embedding_model = None


# Metin ön işleme fonksiyonu
def metin_temizle(metin: str) -> str:
    """Metni küçük harfe dönüştürür, noktalama işaretlerini ve sayıları kaldırır."""
    if not isinstance(metin, str):
        return ""
    metin = metin.lower()
    metin = re.sub(r'[^\w\s]', '', metin)
    metin = re.sub(r'\d+', '', metin)
    return metin


# Modeli yükleme fonksiyonu (Sadece bir kez çalışacak)
def load_models():
    """Modelleri ilk çalıştırmada yükler ve kilit mekanizması kullanır."""
    global classifier, embedding_model, MODEL_LOADED
    
    with MODEL_LOCK:
        if MODEL_LOADED:
            return

        print("Modeller ilk kez yükleniyor...")
        try:
            # 1. SVC sınıflandırma modelini yükle
            classifier_path = 'siniflandirma_modeli.pkl'
            if not os.path.exists(classifier_path):
                 print(f"HATA: '{classifier_path}' bulunamadı. Lütfen Spaces dosya yapısını kontrol edin.", file=sys.stderr)
                 raise FileNotFoundError(f"Model dosyası '{classifier_path}' bulunamadı.")
            
            classifier = joblib.load(classifier_path)
            print("SVC modeli başarıyla yüklendi.")
            
            # 2. Gömme modelini yükle
            embedding_model = SentenceTransformer('distiluse-base-multilingual-cased-v2')
            print("Sentence-Transformer modeli başarıyla indirildi/yüklendi.")

            MODEL_LOADED = True
            print("Model yükleme tamamlandı. API hazır.")
        except Exception as e:
            # Model yükleme hatası olursa, uygulamanın çökmesi ve Spaces'in yeniden başlatması beklenir
            print(f"KRİTİK HATA: Model yüklenirken bir sorun oluştu: {e}", file=sys.stderr)
            raise e


# Uygulama başlatıldığında modelleri yükle
@app.on_event("startup")
async def startup_event():
    """Uygulama başladığında modelleri yükler."""
    try:
        load_models()
    except Exception:
        # Hata fırlatılmazsa uygulama başlatılamaz.
        pass


# API'nin makale başlığını alıp kategoriyi tahmin edeceği uç nokta (endpoint)
@app.post('/kategorize-et')
async def kategorize_et_api(data: MakaleBasligi):
    """
    Gelen makale başlığını kategorize eder ve sonucu döndürür.
    
    Beklenen JSON gövdesi: {"baslik": "makale başlığı metni"}
    """
    if not MODEL_LOADED:
        raise HTTPException(status_code=503, detail="Hizmet kullanılamıyor: Modeller henüz yüklenmedi veya yüklenirken hata oluştu.")
        
    try:
        makale_basligi = data.baslik
        
        # Basit bir kontrol ekleyelim
        if not makale_basligi or len(makale_basligi.strip()) == 0:
             raise HTTPException(status_code=400, detail="Makale başlığı boş veya geçersiz.")


        temizlenmis_baslik = metin_temizle(makale_basligi)

        # Başlığı vektöre dönüştür
        tahmin_vektoru = embedding_model.encode([temizlenmis_baslik])

        # Sınıflandırma modelini kullanarak kategoriyi tahmin et
        tahmin_sonucu = classifier.predict(tahmin_vektoru)[0]

        # Sonucu JSON formatında döndür
        return {"kategori": tahmin_sonucu}

    except HTTPException as http_e:
        # Pydantic veya kendi fırlattığımız HTTP hatalarını döndür
        raise http_e
    except Exception as e:
        # Tahmin sırasında oluşan diğer hatalar
        print(f"TAHMİN SIRASINDA BEKLENMEYEN HATA: {e}", file=sys.stderr)
        raise HTTPException(status_code=500, detail=f"Tahmin işlemi sırasında beklenmeyen bir hata oluştu: {e}")