Update app.py

app.py

@@ -1,90 +1,80 @@
-from flask import Flask, request, jsonify
-import joblib
-import re
-from sentence_transformers import SentenceTransformer
-from threading import Lock
-import os
-
-# Flask uygulamasını başlat (Hugging Face bu uygulamayı otomatik olarak başlatır)
-app = Flask(__name__)
-
-# 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):
-    """Metni küçük harfe dönüştürür, noktalama işaretlerini ve sayıları kaldırır."""
-    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():
-    global classifier, embedding_model, MODEL_LOADED
-
-    # Kilit mekanizmasını kullanarak, modelin birden fazla kez yüklenmesini engelle
-    with MODEL_LOCK:
-        if MODEL_LOADED:
-            return
-
-        print("Modeller ilk kez yükleniyor...")
-        try:
-            # 1. SVC sınıflandırma modelini yükle
-            classifier = joblib.load('siniflandirma_modeli.pkl')
-            print("SVC modeli başarıyla yüklendi.")
-        except FileNotFoundError:
-            # Bu hata olursa, yüklemede bir sorun var demektir.
-            raise FileNotFoundError("siniflandirma_modeli.pkl dosyası bulunamadı.")
-
-        try:
-            # 2. Gömme modelini doğrudan internetten indir (Distiluse modeli)
-            embedding_model = SentenceTransformer('distiluse-base-multilingual-cased-v2')
-            print("Sentence-Transformer modeli başarıyla indirildi/yüklendi.")
-        except Exception as e:
-            print(f"HATA: Sentence-Transformer modeli yüklenirken bir sorun oluştu: {e}")
-            raise Exception(f"Model yükleme hatası: {e}")
-
-        MODEL_LOADED = True
-        print("Model yükleme tamamlandı. API hazır.")
-
-
-# API'nin makale başlığını alıp kategoriyi tahmin edeceği uç nokta (endpoint)
-@app.route('/kategorize-et', methods=['POST'])
-def kategorize_et_api():
-    """Gelen HTTP isteğini işler, makale başlığını kategorize eder ve sonucu JSON olarak döndürür."""
-
-    # Modelleri yükle (Zaten yüklüyse bu adım atlanır)
-    load_models()
-
-    # Gelen JSON verisini al
-    data = request.get_json(silent=True)
-
-    if not data or 'baslik' not in data:
-        return jsonify({"hata": "Makale başlığı (baslik) JSON gövdesinde bulunamadı."}), 400
-
-    makale_basligi = data.get('baslik', '')
-
-    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 jsonify({"kategori": tahmin_sonucu})
-
-
-# Uygulama çalıştırma kodu. Hugging Face'de bu satır genellikle gerekmez,
-# ancak dosyamızı daha standart tutmak için bırakabiliriz.
-if __name__ == '__main__':
-    # Hugging Face'de port otomatik olarak verilir. Lokal test için 7860 kullanıyoruz
-    port = int(os.environ.get('PORT', 7860))
+from flask import Flask, request, jsonify
+import joblib
+import re
+from sentence_transformers import SentenceTransformer
+from threading import Lock
+import os
+
+# Flask uygulamasını başlat (Hugging Face bu uygulamayı otomatik olarak başlatır)
+app = Flask(__name__)
+
+# 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):
+    """Metni küçük harfe dönüştürür, noktalama işaretlerini ve sayıları kaldırır."""
+    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():
+    global classifier, embedding_model, MODEL_LOADED
+    # Kilit mekanizmasını kullanarak, modelin birden fazla kez yüklenmesini engelle
+    with MODEL_LOCK:
+        if MODEL_LOADED:
+            return
+        print("Modeller ilk kez yükleniyor...")
+        try:
+            # 1. SVC sınıflandırma modelini yükle
+            classifier = joblib.load('siniflandirma_modeli.pkl')
+            print("SVC modeli başarıyla yüklendi.")
+        except FileNotFoundError:
+            # Bu hata olursa, yüklemede bir sorun var demektir.
+            raise FileNotFoundError("siniflandirma_modeli.pkl dosyası bulunamadı.")
+        try:
+            # 2. Gömme modelini doğrudan internetten indir (Distiluse modeli)
+            embedding_model = SentenceTransformer('distiluse-base-multilingual-cased-v2')
+            print("Sentence-Transformer modeli başarıyla indirildi/yüklendi.")
+        except Exception as e:
+            print(f"HATA: Sentence-Transformer modeli yüklenirken bir sorun oluştu: {e}")
+            raise Exception(f"Model yükleme hatası: {e}")
+        MODEL_LOADED = True
+        print("Model yükleme tamamlandı. API hazır.")
+
+# API'nin makale başlığını alıp kategoriyi tahmin edeceği uç nokta (endpoint)
+@app.route('/', methods=['POST']) # <-- Yeni eklendi: Kök adresi (/) dinler
+@app.route('/kategorize-et', methods=['POST'])
+def kategorize_et_api():
+    """Gelen HTTP isteğini işler, makale başlığını kategorize eder ve sonucu JSON olarak döndürür."""
+    # Modelleri yükle (Zaten yüklüyse bu adım atlanır)
+    load_models()
+    # Gelen JSON verisini al
+    data = request.get_json(silent=True)
+    if not data or 'baslik' not in data:
+        # Eğer POST isteği boşsa veya 'baslik' anahtarı yoksa hata döndür
+        return jsonify({"hata": "Makale başlığı (baslik) JSON gövdesinde bulunamadı."}), 400
+    
+    makale_basligi = data.get('baslik', '')
+    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 jsonify({"kategori": tahmin_sonucu})
+
+# Uygulama çalıştırma kodu. Hugging Face'de bu satır genellikle gerekmez,
+# ancak dosyamızı daha standart tutmak için bırakabiliriz.
+if __name__ == '__main__':
+    # Hugging Face'de port otomatik olarak verilir. Lokal test için 7860 kullanıyoruz
+    port = int(os.environ.get('PORT', 7860))
     app.run(host='0.0.0.0', port=port)