app6.py

import gradio as gr
import pandas as pd
import re
from collections import defaultdict
import io

class TextAnonymizer:
    def __init__(self):
        self.person_counter = 0
        self.company_counter = 0
        self.amount_counter = 0
        self.percent_counter = 0
        
        # دیکشنری برای نگه‌داری تبدیل‌ها
        self.person_mapping = {}
        self.company_mapping = {}
        self.amount_mapping = {}
        self.percent_mapping = {}
    
    def reset_counters(self):
        """بازنشانی شمارنده‌ها برای پردازش جدید"""
        self.person_counter = 0
        self.company_counter = 0
        self.amount_counter = 0
        self.percent_counter = 0
        self.person_mapping.clear()
        self.company_mapping.clear()
        self.amount_mapping.clear()
        self.percent_mapping.clear()
    
    def detect_financial_amounts(self, text):
        """تشخیص مبالغ مالی (فارسی و انگلیسی)"""
        patterns = [
            # الگوهای انگلیسی
            r'\$[\d,]+(?:\.\d{2})?',  # $1,000.00
            r'[\d,]+\s*(?:dollars?|USD|usd|Dollars?)',  # 1000 dollars
            r'[\d,]+\s*(?:million|billion|thousand|Million|Billion|Thousand)',  # 1 million
            r'[\d,]+(?:\.\d+)?\s*(?:M|B|K|m|b|k)',  # 1.5M, 2B, 500K
            r'€[\d,]+(?:\.\d{2})?',  # €1,000.00
            r'£[\d,]+(?:\.\d{2})?',  # £1,000.00
            
            # الگوهای فارسی - ارقام فارسی
            r'[\u06F0-\u06F9\u06F0-\u06F9\d,\u060C]+\s*(?:هزار|میلیون|میلیارد|تریلیون)\s*(?:و\s*[\u06F0-\u06F9\u06F0-\u06F9\d,\u060C]+\s*(?:هزار|میلیون|میلیارد)?)?\s*(?:تومان|ریال|دلار|یورو|درهم)',
            r'[\u06F0-\u06F9\u06F0-\u06F9\d,\u060C]+\s*(?:همت)',  # ۳۷ همت
            r'[\u06F0-\u06F9\u06F0-\u06F9\d,\u060C]+\s*(?:هزار|میلیون|میلیارد)\s*(?:تومان|ریال|دلار)',
            
            # الگوهای ترکیبی
            r'[\u06F0-\u06F9\u06F0-\u06F9\d]+[\u06F0-\u06F9\u06F0-\u06F9\d,\u060C]*\s*(?:هزار|میلیون|میلیارد)',
            r'بیش\s*از\s*[\u06F0-\u06F9\u06F0-\u06F9\d,\u060C]+\s*(?:هزار|میلیون|میلیارد|همت)',
            r'حدود\s*[\u06F0-\u06F9\u06F0-\u06F9\d,\u060C]+\s*(?:هزار|میلیون|میلیارد|همت)',
            r'نزدیک\s*به\s*[\u06F0-\u06F9\u06F0-\u06F9\d,\u060C]+\s*(?:هزار|میلیون|میلیارد|همت)',
        ]
        
        amounts = []
        for pattern in patterns:
            matches = re.finditer(pattern, text, re.IGNORECASE)
            for match in matches:
                amounts.append((match.start(), match.end(), match.group()))
        
        return amounts
    
    def detect_percentages(self, text):
        """تشخیص درصدها (فارسی و انگلیسی)"""
        patterns = [
            r'\d+(?:\.\d+)?%',  # انگلیسی: 15%, 18.5%
            r'[\u06F0-\u06F9\u06F0-\u06F9]+(?:\.[\u06F0-\u06F9\u06F0-\u06F9]+)?\s*درصد',  # فارسی: ۱۵ درصد
            r'[\u06F0-\u06F9\u06F0-\u06F9]+(?:\.[\u06F0-\u06F9\u06F0-\u06F9]+)?%',  # ترکیبی: ۱۵%
        ]
        percentages = []
        for pattern in patterns:
            matches = re.finditer(pattern, text)
            for match in matches:
                percentages.append((match.start(), match.end(), match.group()))
        
        return percentages
    
    def detect_names_regex(self, text):
        """تشخیص اسامی اشخاص (فارسی و انگلیسی)"""
        patterns = [
            # الگوهای انگلیسی
            r'\b[A-Z][a-z]+ [A-Z][a-z]+\b',  # John Smith
            r'\b[A-Z][a-z]+ [A-Z]\. [A-Z][a-z]+\b',  # John M. Smith
            r'\b[A-Z][a-z]+ [A-Z][a-z]+ [A-Z][a-z]+\b',  # John Michael Smith
            r'\bMr\. [A-Z][a-z]+\b',  # Mr. Smith
            r'\bMs\. [A-Z][a-z]+\b',  # Ms. Johnson
            r'\bDr\. [A-Z][a-z]+\b',  # Dr. Brown
            
            # الگوهای فارسی - نام‌های کامل
            r'[\u0600-\u06FF]+\s+[\u0600-\u06FF]+(?:\s+[\u0600-\u06FF]+)?(?:\s+[\u0600-\u06FF]+)?',  # محمد ایرانی، جواد زارع‌پور
            
            # الگوهای خاص فارسی با عناوین
            r'(?:دکتر|آقای|خانم|مهندس|استاد)\s+[\u0600-\u06FF]+(?:\s+[\u0600-\u06FF]+){1,3}',
            
            # الگوی مدیرعامل و سمت‌ها
            r'[\u0600-\u06FF]+(?:\s+[\u0600-\u06FF]+){1,3}،\s*مدیرعامل',
            r'[\u0600-\u06FF]+(?:\s+[\u0600-\u06FF]+){1,3}،\s*(?:مدیر|رئیس|نایب)',
            
            # نام‌های بین عبارت‌ها
            r'(?:با\s+(?:حضور|سکانداری)\s+)[\u0600-\u06FF]+(?:\s+[\u0600-\u06FF]+){1,3}',
            r'(?:امضای\s+(?:مشترک\s+)?(?:«)?)[\u0600-\u06FF]+(?:\s+[\u0600-\u06FF]+){1,3}(?:»)?',
        ]
        
        names = []
        processed_spans = set()  # برای جلوگیری از تداخل
        
        for pattern in patterns:
            matches = re.finditer(pattern, text)
            for match in matches:
                start, end = match.start(), match.end()
                name = match.group().strip()
                
                # پاک کردن عناوین و کلمات اضافی
                name = re.sub(r'^(?:دکتر|آقای|خانم|مهندس|استاد)\s+', '', name)
                name = re.sub(r'،\s*(?:مدیرعامل|مدیر|رئیس|نایب).*', '', name)
                name = re.sub(r'^(?:با\s+(?:حضور|سکانداری)\s+)', '', name)
                name = re.sub(r'^(?:امضای\s+(?:مشترک\s+)?(?:«)?)', '', name)
                name = name.strip('،» ()')
                
                # بررسی طول نام و عدم تداخل
                if (len(name.split()) >= 2 and 
                    len(name) > 3 and 
                    not any(start < existing_end and end > existing_start 
                           for existing_start, existing_end in processed_spans)):
                    
                    names.append((start, end, name))
                    processed_spans.add((start, end))
        
        return names
    
    def detect_companies_regex(self, text):
        """تشخیص شرکت‌ها (فارسی و انگلیسی)"""
        # الگوهای عمومی انگلیسی
        general_patterns = [
            r'\b[A-Z][a-z]+ (?:Inc|Corp|LLC|Ltd|Company|Co|Corporation|Group|Technologies|Tech|Systems|Solutions|Services|International|Global|Enterprises)\.?\b',
            r'\b[A-Z][A-Z]+ (?:Inc|Corp|LLC|Ltd|Company|Co|Corporation)\.?\b',  # مثل IBM Corp
            r'\b[A-Z][a-z]+ [A-Z][a-z]+ (?:Inc|Corp|LLC|Ltd|Company|Co|Corporation)\.?\b',  # مثل Apple Inc
        ]
        
        # شرکت‌های مشهور انگلیسی
        tech_companies = r'\b(?:Apple|Microsoft|Google|Amazon|Facebook|Meta|Netflix|Tesla|Oracle|IBM|Intel|Cisco|Adobe|Salesforce|PayPal|Uber|Airbnb|Twitter|LinkedIn|NVIDIA|AMD|Zoom|Slack|Dropbox|Spotify)\b'
        auto_companies = r'\b(?:Toyota|Honda|Ford|BMW|Mercedes|Audi|Volkswagen|Nissan|Hyundai|Kia|Mazda|Subaru|Volvo|Porsche|Ferrari|Lamborghini)\b'
        finance_companies = r'\b(?:JPMorgan|Goldman Sachs|Morgan Stanley|Bank of America|Wells Fargo|Chase|Citibank|American Express|Visa|Mastercard|PayPal)\b'
        retail_companies = r'\b(?:Walmart|Target|Costco|Amazon|eBay|Alibaba|Nike|Adidas|Zara|H&M|IKEA|Starbucks|McDonalds|KFC|Subway)\b'
        
        # الگوهای فارسی - شرکت‌ها و سازمان‌ها
        persian_company_patterns = [
            # الگوی کلی شرکت
            r'شرکت\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            r'گروه\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            r'هلدینگ\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            r'بانک\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            r'بیمه\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            r'پتروشیمی\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            r'صنایع\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            r'فولاد\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            r'سازمان\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            r'موسسه\s+[\u0600-\u06FF\s]+(?:[\u0600-\u06FF])',
            
            # شرکت‌های خاص از نمونه‌ها
            r'ایران\s*خودرو',
            r'همراه\s*اول',
            r'فولاد\s*مبارکه(?:\s+اصفهان)?',
            r'بانک\s+(?:ملت|پاسارگاد|سرمایه|مرکزی|کشاورزی)',
            r'بیمه\s+(?:پارسیان|سامان)',
            r'پتروشیمی\s+(?:پارس|بوعلی\s*سینا|اروند)',
            
            # الگوی با مخفف
            r'[\u0600-\u06FF\s]+\s*\([\u0600-\u06FF\s]+\)',  # مثل تأمین (تیپیکو)
            
            # الگوی نام‌های مرکب
            r'[\u0600-\u06FF]+(?:\s+[\u0600-\u06FF]+){1,4}(?:\s+(?:شرکت|گروه|بانک|بیمه|صنایع))?',
        ]
        
        # ترکیب تمام الگوها
        all_patterns = general_patterns + [
            tech_companies,
            auto_companies, 
            finance_companies,
            retail_companies
        ] + persian_company_patterns
        
        companies = []
        processed_spans = set()  # برای جلوگیری از تداخل
        
        for pattern in all_patterns:
            matches = re.finditer(pattern, text, re.IGNORECASE)
            for match in matches:
                start, end = match.start(), match.end()
                company = match.group().strip()
                
                # فیلتر کردن نتایج خیلی کوتاه یا طولانی
                if (len(company) > 2 and len(company) < 100 and 
                    not any(start < existing_end and end > existing_start 
                           for existing_start, existing_end in processed_spans)):
                    
                    companies.append((start, end, company))
                    processed_spans.add((start, end))
        
        return companies
    
    def anonymize_text(self, text):
        """ناشناس‌سازی متن با regex"""
        if not text or pd.isna(text):
            return text
        
        replacements = []
        
        # تشخیص اسامی اشخاص
        names = self.detect_names_regex(text)
        for start, end, name in names:
            if name not in self.person_mapping:
                self.person_counter += 1
                self.person_mapping[name] = f"person-{self.person_counter:02d}"
            replacements.append((start, end, self.person_mapping[name]))
        
        # تشخیص شرکت‌ها
        companies = self.detect_companies_regex(text)
        for start, end, company in companies:
            if company not in self.company_mapping:
                self.company_counter += 1
                self.company_mapping[company] = f"company-{self.company_counter:02d}"
            replacements.append((start, end, self.company_mapping[company]))
        
        # تشخیص مبالغ مالی
        amounts = self.detect_financial_amounts(text)
        for start, end, amount in amounts:
            if amount not in self.amount_mapping:
                self.amount_counter += 1
                self.amount_mapping[amount] = f"amount-{self.amount_counter:02d}"
            replacements.append((start, end, self.amount_mapping[amount]))
        
        # تشخیص درصدها
        percentages = self.detect_percentages(text)
        for start, end, percent in percentages:
            if percent not in self.percent_mapping:
                self.percent_counter += 1
                self.percent_mapping[percent] = f"percent-{self.percent_counter:02d}"
            replacements.append((start, end, self.percent_mapping[percent]))
        
        # حذف تداخل‌ها و مرتب‌سازی
        replacements = self.remove_overlaps(replacements)
        replacements.sort(key=lambda x: x[0], reverse=True)
        
        # اعمال جایگزینی‌ها
        result = text
        for start, end, replacement in replacements:
            result = result[:start] + replacement + result[end:]
        
        return result
    
    def remove_overlaps(self, replacements):
        """حذف تداخل‌ها در جایگزینی‌ها"""
        if not replacements:
            return []
        
        # مرتب‌سازی بر اساس موقعیت شروع
        replacements.sort(key=lambda x: x[0])
        
        filtered = []
        for start, end, replacement in replacements:
            # بررسی تداخل با آخرین جایگزینی اضافه شده
            if not filtered or start >= filtered[-1][1]:
                filtered.append((start, end, replacement))
        
        return filtered
    
    def get_mapping_summary(self):
        """خلاصه‌ای از تبدیل‌های انجام شده"""
        summary = []
        
        if self.person_mapping:
            summary.append("**اسامی اشخاص:**")
            for original, anonymized in self.person_mapping.items():
                summary.append(f"- {original} → {anonymized}")
            summary.append("")
        
        if self.company_mapping:
            summary.append("**نام شرکت‌ها:**")
            for original, anonymized in self.company_mapping.items():
                summary.append(f"- {original} → {anonymized}")
            summary.append("")
        
        if self.amount_mapping:
            summary.append("**مبالغ مالی:**")
            for original, anonymized in self.amount_mapping.items():
                summary.append(f"- {original} → {anonymized}")
            summary.append("")
        
        if self.percent_mapping:
            summary.append("**درصدها:**")
            for original, anonymized in self.percent_mapping.items():
                summary.append(f"- {original} → {anonymized}")
        
        return "\n".join(summary) if summary else "هیچ موجودیت حساسی یافت نشد."

# ایجاد نمونه از کلاس ناشناس‌ساز
anonymizer = TextAnonymizer()

def process_csv(file):
    """پردازش فایل CSV"""
    try:
        # بازنشانی شمارنده‌ها
        anonymizer.reset_counters()
        
        # بررسی فایل
        if file is None:
            return None, "لطفاً فایل CSV آپلود کنید.", "", None
        
        # خواندن فایل CSV
        if file.name.endswith('.csv'):
            df = pd.read_csv(file.name)
        else:
            return None, "لطفاً فایل CSV آپلود کنید.", "", None
        
        # بررسی وجود ستون original_text
        if 'original_text' not in df.columns:
            available_columns = ', '.join(df.columns.tolist())
            return None, f"ستون 'original_text' در فایل یافت نشد. ستون‌های موجود: {available_columns}", "", None
        
        # ایجاد کپی از دیتافریم
        result_df = df.copy()
        
        # ناشناس‌سازی متن‌های ستون original_text
        result_df['anonymized_text'] = df['original_text'].apply(anonymizer.anonymize_text)
        
        # تبدیل به CSV برای دانلود
        output = io.StringIO()
        result_df.to_csv(output, index=False, encoding='utf-8')
        csv_content = output.getvalue()
        
        # ایجاد فایل CSV برای دانلود
        output_file = "anonymized_data.csv"
        with open(output_file, 'w', encoding='utf-8') as f:
            f.write(csv_content)
        
        # نمایش نمونه از نتایج
        sample_df = result_df[['original_text', 'anonymized_text']].head(10)
        
        # خلاصه تبدیل‌ها
        mapping_summary = anonymizer.get_mapping_summary()
        
        return output_file, f"✅ پردازش کامل شد! {len(df)} ردیف پردازش شد.", mapping_summary, sample_df
        
    except Exception as e:
        return None, f"❌ خطا در پردازش فایل: {str(e)}", "", None

def process_single_text(text):
    """پردازش تک متن"""
    if not text.strip():
        return "", "لطفاً متنی وارد کنید."
    
    anonymizer.reset_counters()
    anonymized = anonymizer.anonymize_text(text)
    mapping_summary = anonymizer.get_mapping_summary()
    
    return anonymized, mapping_summary

# ایجاد رابط کاربری Gradio
with gr.Blocks(title="ناشناس‌سازی متن", theme=gr.themes.Soft()) as demo:
    gr.Markdown("""
    # 🔒 برنامه ناشناس‌سازی متن (نسخه Regex)
    
    ⚡ **وضعیت:** حالت سریع - بدون نیاز به spaCy
    
    این برنامه متن‌های شما را ناشناس می‌کند و اطلاعات حساس زیر را جایگزین می‌کند:
    - 👤 **اسامی اشخاص** → person-01, person-02, ...
    - 🏢 **نام شرکت‌ها** → company-01, company-02, ...
    - 💰 **مبالغ مالی** → amount-01, amount-02, ...
    - 📊 **درصدها** → percent-01, percent-02, ...
    
    **نسخه ۱:** آدرس‌ها، مکان‌ها و تاریخ‌ها ناشناس‌سازی نمی‌شوند.
    """)
    
    with gr.Tabs():
        # تب پردازش فایل CSV
        with gr.TabItem("📁 پردازش فایل CSV"):
            gr.Markdown("### آپلود فایل CSV با ستون 'original_text'")
            
            with gr.Row():
                with gr.Column():
                    file_input = gr.File(
                        label="فایل CSV را انتخاب کنید",
                        file_types=[".csv"],
                        type="filepath"
                    )
                    process_btn = gr.Button("🚀 شروع پردازش", variant="primary")
                
                with gr.Column():
                    status_output = gr.Textbox(
                        label="وضعیت",
                        interactive=False
                    )
                    download_file = gr.File(
                        label="دانلود فایل ناشناس‌سازی شده",
                        interactive=False
                    )
            
            with gr.Row():
                with gr.Column():
                    mapping_output = gr.Markdown(
                        label="خلاصه تبدیل‌ها",
                        value="خلاصه تبدیل‌ها اینجا نمایش داده می‌شود..."
                    )
                
                with gr.Column():
                    sample_output = gr.Dataframe(
                        label="نمونه نتایج (۱۰ ردیف اول)",
                        interactive=False
                    )
        
        # تب تست تک متن
        with gr.TabItem("📝 تست تک متن"):
            gr.Markdown("### تست ناشناس‌سازی روی یک متن")
            
            with gr.Row():
                with gr.Column():
                    text_input = gr.Textbox(
                        label="متن اصلی",
                        placeholder="متن خود را اینجا وارد کنید...",
                        lines=5
                    )
                    test_btn = gr.Button("🔍 ناشناس‌سازی", variant="primary")
                
                with gr.Column():
                    text_output = gr.Textbox(
                        label="متن ناشناس‌سازی شده",
                        lines=5,
                        interactive=False
                    )
                    text_mapping = gr.Markdown(
                        label="تبدیل‌های انجام شده"
                    )
    
    # اتصال رویدادها
    process_btn.click(
        fn=process_csv,
        inputs=[file_input],
        outputs=[download_file, status_output, mapping_output, sample_output]
    )
    
    test_btn.click(
        fn=process_single_text,
        inputs=[text_input],
        outputs=[text_output, text_mapping]
    )
    
    # مثال در بخش تست
    gr.Examples(
        examples=[
            ["John Smith works at Microsoft and earned $50,000 with a 15% bonus."],
            ["Sarah Johnson from Google Inc. reported revenues of $2.5 million, representing a 25% increase."],
            ["The CEO of Apple, Tim Cook, announced profits of $1.2B with 18.5% growth rate."],
            ["Dr. Michael Brown from IBM Corp. received €75,000 salary increase of 12%."],
            ["Ms. Lisa Wilson at Amazon reported quarterly results of £500K with 8.7% margin."]
        ],
        inputs=[text_input],
        label="نمونه متن‌ها"
    )

# اجرای برنامه
if __name__ == "__main__":
    demo.launch()