Update app.py

app.py

@@ -4,8 +4,9 @@ import re
 from sentence_transformers import SentenceTransformer
 from threading import Lock
 import os
+import sys # Hata ayıklama için eklendi
 
-# Flask uygulamasını başlat (Hugging Face bu uygulamayı otomatik olarak başlatır)
+# Flask uygulamasını başlat
 app = Flask(__name__)
 
 # Model yükleme işlemini sadece bir kez yapmak için global değişkenler
@@ -17,6 +18,9 @@ embedding_model = None
 # Metin ön işleme fonksiyonu
 def metin_temizle(metin):
     """Metni küçük harfe dönüştürür, noktalama işaretlerini ve sayıları kaldırır."""
+    if not isinstance(metin, str):
+        # Eğer metin değilse boş string döndür
+        return ""
     metin = metin.lower()
     metin = re.sub(r'[^\w\s]', '', metin)
     metin = re.sub(r'\d+', '', metin)
@@ -24,57 +28,87 @@ def metin_temizle(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
-    # Kilit mekanizmasını kullanarak, modelin birden fazla kez yüklenmesini engelle
+    
+    # Kilit mekanizması: Aynı anda birden fazla isteğin modeli yüklemesini engeller
     with MODEL_LOCK:
         if MODEL_LOADED:
             return
+
         print("Modeller ilk kez yükleniyor...")
         try:
-            # 1. SVC sınıflandırma modelini yükle
-            classifier = joblib.load('siniflandirma_modeli.pkl')
+            # Hugging Face Spaces'te dosyanın nerede olduğuna dikkat edin
+            # Kök dizinde olduğunu varsayıyoruz.
+            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)
+                 # Uygulama yüklemesini durdurmak için exception fırlatmak en sağlıklısı
+                 raise FileNotFoundError(f"Model dosyası '{classifier_path}' bulunamadı.")
+            
+            classifier = joblib.load(classifier_path)
             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)
+            
+            # 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:
-            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.")
+            print(f"KRİTİK HATA: Model yüklenirken bir sorun oluştu: {e}", file=sys.stderr)
+            # Yükleme başarısız olursa, bir sonraki isteğin tekrar denemesi için MODEL_LOADED=False kalır.
+            # Ancak Spaces'te genellikle uygulama bu aşamada çöker ve yeniden başlatılır.
+            raise e
+
 
-# API'nin makale başlığını alıp kategoriyi tahmin edeceği uç nokta (endpoint)
-@app.route('/', methods=['POST']) # <-- Yeni eklendi: Kök adresi (/) dinler
+# API uç noktası: '/kategorize-et'
 @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()
+    try:
+        # Modelleri yükle (Zaten yüklüyse hızlıca geçer)
+        load_models()
+    except Exception as e:
+        # Model yükleme hatası oluşursa, kullanıcıya bir hata mesajı döndür
+        return jsonify({"hata": f"Model yükleme/başlatma hatası: {e}"}), 503 # Service Unavailable
+
     # Gelen JSON verisini al
-    data = request.get_json(silent=True)
+    try:
+        data = request.get_json(force=True, silent=False)
+    except Exception as e:
+        # JSON ayrıştırma hatası
+        return jsonify({"hata": f"JSON formatı hatalı. Lütfen geçerli bir JSON gövdesi gönderin. Detay: {e}"}), 400
+
     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
-    
+        # 'baslik' anahtarı yoksa
+        return jsonify({"hata": "Makale başlığı (anahtar: 'baslik') JSON gövdesinde bulunamadı veya JSON boş."}), 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})
+    if not makale_basligi or not isinstance(makale_basligi, str):
+        # Başlık boşsa veya string formatında değilse
+        return jsonify({"hata": "Makale başlığı (baslik) boş olamaz ve metin formatında olmalıdır."}), 400
+
+    try:
+        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}), 200
+
+    except Exception as e:
+        # Tahmin sırasında oluşan diğer hatalar
+        print(f"TAHMİN SIRASINDA HATA: {e}", file=sys.stderr)
+        return jsonify({"hata": f"Tahmin işlemi sırasında beklenmeyen bir hata oluştu: {e}"}), 500
+
 
-# Uygulama çalıştırma kodu. Hugging Face'de bu satır genellikle gerekmez,
-# ancak dosyamızı daha standart tutmak için bırakabiliriz.
+# Hugging Face'de bu satır genellikle gerekmez, ancak lokal test için faydalıdır.
 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)
+    app.run(host='0.0.0.0', port=port)