Delete app.py

app.py

@@ -1,487 +0,0 @@
-import gradio as gr
-import re
-import os
-import requests
-import logging
-from typing import Dict, List, Tuple, Set
-import json
-
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
-class AnonymizerCerebrasEnhanced:
-    def __init__(self, api_key: str = None):
-        self.api_key = api_key or os.getenv("CEREBRAS_API_KEY")
-        self.mapping_table = {}
-        self.counters = {
-            'company': 0, 'person': 0, 'amount': 0, 'phone': 0,
-            'email': 0, 'id_number': 0, 'date': 0, 'location': 0,
-            'percent': 0
-        }
-        self.seen_entities = {}  # برای ثبات نگاشت
-        
-        if not self.api_key:
-            raise ValueError("❌ کلید API Cerebras یافت نشد!")
-        
-        logger.info("✅ Anonymizer Enhanced مقداردهی شد")
-    
-    def get_system_prompt(self) -> str:
-        """ایجاد دستورالعمل سیستمی پیشرفته برای Groq"""
-        return """شما یک «ناشناس‌ساز متون مالی/خبری فارسی» هستید. وظیفه‌تان جایگزینی اسامی خاص و مقادیر عددی با شناسه‌های بی‌معناست.
-
-## **قوانین اندیس‌گذاری - CRITICAL**
-### **1. ترتیب شماره‌گذاری الزامی:**
-- شرکت‌ها: company-01, company-02, company-03, company-04, ... (پیوسته و بدون گپ)
-- اشخاص: person-01, person-02, person-03, ... (پیوسته و بدون گپ)
-- اعداد: amount-01, amount-02, amount-03, ... (پیوسته و بدون گپ)
-- درصدها: percent-01, percent-02, percent-03, ... (پیوسته و بدون گپ)
-
-### **2. ثبات شناسه‌ها در متن:**
-- اگر "همراه اول" اول‌بار company-01 شد، در تمام متن همان باشد
-- اگر "مهدی احمدی" اول‌بار person-01 شد، در تمام متن همان باشد
-
-### **3. تشخیص صحیح انواع:**
-**شرکت/سازمان:** همراه اول، بانک ملی، ایران‌خودرو، سایپا، بانک مرکزی، سامانه کدال، وزارت نفت
-**شخص:** مهدی اخوان بهابادی، محمدرضا فرزین، ابوالفضل نجارزاده
-**عدد:** 37، 70، 677، 73.7، 178 (هر عددی)
-**درصد:** 37 درصدی، 15 درصدی، 53 درصد، 43%
-
-## **انواع موجودیت‌ها:**
-
-**company-XX:** نام شرکت‌ها، سازمان‌ها، بانک‌ها، هلدینگ‌ها، گروه‌های مالی (مثال: ایران خودرو، بانک ملی، گروه مالی صبا، سازمان حسابرسی)
-
-**person-XX:** نام و نام خانوادگی اشخاص (مثال: محمد رضایی، مهدی اخوان بهابادی، فرج‌اله قدمی)
-
-**amount-XX:** مبالغ مالی شامل ریال، تومان، همت، دلار، تن، دستگاه و واحدهای اندازه‌گیری (مثال: ۲۳ هزار و ۲۹۶ میلیارد تومان، ۵۰۰ میلیون دلار، ۷۳.۷ میلیون نفر، 636 ریال)
-
-**percent-XX:** درصدها و نسبت‌ها (مثال: ۴.۵۸ درصد، ۷۵ درصد، ۱۴٪، منفی 345 درصد)
-
-## **قوانین کلیدی:**
-
-1. **ترتیب شماره‌گذاری:** اولین باری که موجودیت ظاهر می‌شود، شماره می‌گیرد (01، 02، 03، ...)
-
-2. **حفظ هویت یکسان:** اگر همان موجودیت دوباره آمد، از همان شماره استفاده کن. مثلا "ایران خودرو" در جمله اول و "این شرکت" در جمله دوم هر دو company-01 هستند.
-
-3. **تشخیص نام‌های مختلف:** "فولاد مبارکه اصفهان" و "فولاد مبارکه" و "این شرکت" همه company-01 هستند. "همراه اول" و "گروه همراه اول" و "این اپراتور" همه company-01 هستند. اما "بانک پاسارگاد" و "سرزمین هوشمند پاد" دو company مختلف هستند.
-
-4. **مبالغ و درصدهای مختلف:** هر عدد جدید، شماره جدید می‌گیرد
-
-5. **حفظ ساختار:** ساختار جمله را حفظ کن، تاریخ‌ها را تغییر نده، کلمات توصیفی مثل "شرکت"، "بانک"، "گروه" را قبل از برچسب حفظ کن
-
-6. **هیچ توضیح اضافه‌ای نده:** فقط متن ناشناس‌شده را برگردان، بدون توضیح یا تفسیر
-
-## **تشخیص دقیق درصدها:**
-- "37 درصدی" → percent-01 (نه amount)
-- "15 درصد" → percent-02 (نه amount)  
-- "53%" → percent-03 (نه amount)
-- "بازه 10 تا 20 درصد" → percent-04 تا percent-05
-
-## **موارد حفظ شده:**
-- تاریخ‌ها: 1404/04/23، 30 آذر 1403، پاییز 1401
-- عناوین شغلی: مدیرعامل، رئیس کل، مدیرکل
-- واحدها: میلیارد تومان، همت، ریال، ماه، سال
-- مکان‌ها: تهران، اصفهان، ایران
-
-## **ممنوع:**
-- کلمات انگلیسی اضافی
-- تغییر ساختار جمله
-- حذف یا اضافه کردن کلمات
-
-## **نمونه‌های آموزشی:**
-
-**نمونه ۱:**
-ورودی: مهدی اخوان بهابادی، مدیرعامل همراه اول، اعلام کرد درآمد عملیاتی شرکت با رشد 37 درصدی به 70 هزار و 677 میلیارد تومان رسیده است. سود خالص 7101 میلیارد تومان و تلفیقی گروه همراه اول 8003 میلیارد تومان شد.
-خروجی: person-01، مدیرعامل company-01، اعلام کرد درآمد عملیاتی شرکت با رشد percent-01 به amount-01 رسیده است. سود خالص amount-02 و تلفیقی گروه company-01 amount-03 شد.
-
-**نمونه ۲:**
-ورودی: بانک مرکزی و بانک ملی با همکاری محمدرضا فرزین، 60 درصد سپرده‌ها را مدیریت کردند.
-خروجی: company-01 و company-02 با همکاری person-01، percent-01 سپرده‌ها را مدیریت کردند.
-
-**نمونه ۳:**
-ورودی: سایپا و ایران‌خودرو مجموع زیان 620 همت داشتند و سایپا 269 هزار میلیارد زیان اعلام کرد.
-خروجی: company-01 و company-02 مجموع زیان amount-01 داشتند و company-01 amount-02 زیان اعلام کرد.
-
-**نمونه ۴:**
-ورودی: ایران خودرو در اسفندماه سال 1402 حدود 23 هزار و 296 میلیارد تومان درآمد کسب کرد که در مقایسه با بهمن 4.58 درصد افزایش داشت. زیان خالص ایران خودرو در این سال به بیش از 37 همت رساند.
-خروجی: company-01 در اسفندماه سال 1402 حدود amount-01 درآمد کسب کرد که در مقایسه با بهمن percent-01 افزایش داشت. زیان خالص company-01 در این سال به بیش از amount-02 رساند.
-
-**نمونه ۵:**
-ورودی: بانک پاسارگاد با شناسایی سود خالص 155 هزار میلیارد ریالی در رده دوم سودآورترین بانک‌های کشور قرار گرفت. در مقابل، بانک سرمایه با مدیرعاملی فرج‌اله قدمی وضعیت بحرانی دارد.
-خروجی: company-01 با شناسایی سود خالص amount-01 در رده دوم سودآورترین بانک‌های کشور قرار گرفت. در مقابل، company-02 با مدیرعاملی person-01 وضعیت بحرانی دارد.
-
-**نمونه ۶:**
-ورودی: مجمع عمومی عادی سالیانه شرکت پتروشیمی پارس با نماد «پارس» راس ساعت 10:00 روز سه شنبه مورخ 1403/04/12 برگزار شد و سازمان حسابرسی به‌ عنوان بازرس قانونی انتخاب شد.
-خروجی: مجمع عمومی عادی سالیانه company-01 با نماد «پارس» راس ساعت 10:00 روز سه شنبه مورخ 1403/04/12 برگزار شد و company-02 به‌ عنوان بازرس قانونی انتخاب شد.
-
-**نمونه ۷:**
-ورودی: شرکت فولاد مبارکه اصفهان در مجمع عمومی عادی سالیانه حاشیه سود خالص شرکت 38 درصد بوده و EPS این شرکت از 636 ریال به 614 ریال خواهد رسید.
-خروجی: company-01 در مجمع عمومی عادی سالیانه حاشیه سود خالص شرکت percent-01 بوده و EPS این شرکت از amount-01 به amount-02 خواهد رسید.
-
-**نمونه ۸:**
-ورودی: بانک سرمایه با مدیرعاملی فرج‌اله قدمی زیان خالص 2700 میلیارد تومانی در سه‌ماهه نخست 1404 گزارش کرد. نسبت کفایت سرمایه به منفی 345 درصد رسیده و زیان انباشته نزدیک به 67 هزار میلیارد تومان است.
-خروجی: company-01 با مدیرعاملی person-01 زیان خالص amount-01 در سه‌ماهه نخست 1404 گزارش کرد. نسبت کفایت سرمایه به percent-01 رسیده و زیان انباشته نزدیک به amount-02 است.
-
-**نمونه ۹:**
-ورودی: دو بانک ملت و پاسارگاد به ترتیب با شناسایی سود خالص 157 و 155 هزار میلیارد ریالی رقابت تنگاتنگی داشته و در رده‌های اول و دوم جای دارند.
-خروجی: دو بانک company-01 و company-02 به ترتیب با شناسایی سود خالص amount-01 و amount-02 رقابت تنگاتنگی داشته و در رده‌های اول و دوم جای دارند.
-
-**نمونه ۱۰:**
-ورودی: مرور صورت‌های مالی بانک‌ها نشان می‌دهد سهم سودهای ارزی به‌راحتی به 40–60٪ رسیده است و این مسئله نشان‌دهنده وضعیت غیرعادی بازار است.
-خروجی: مرور صورت‌های مالی بانک‌ها نشان می‌دهد سهم سودهای ارزی به‌راحتی به percent-01 رسیده است و این مسئله نشان‌دهنده وضعیت غیرعادی بازار است.
-
-**فقط متن ناشناس‌شده را برگردان - هیچ توضیح اضافی نیاز نیست."""
-    
-    def get_user_prompt(self, text: str) -> str:
-        """تشکیل پرامپت کاربر"""
-        return f"""متن مالی فارسی زیر را تجزیه و تحلیل کنید. تمام موجودیت‌های حساس را شناسایی کنید و یک JSON Array برگردانید.
-
-متن:
-{text}
-
-**مهم**: 
-- اگر چند بار یک نام تکرار شود، یک id بدهید
-- کلمات عمومی را حفظ کنید
-- واحدها را حفظ کنید
-- فقط JSON برگردانید!
-
-یک JSON Array برگردانید. هر عنصر دارای:
-- "text": متن دقیق استخراج شده
-- "type": نوع (company, person, amount, percent, phone, email, date, location, id_number)
-- "original": توضیح اضافی اگر نام مستعار باشد"""
-
-    def call_cerebras(self, text: str) -> List[Dict]:
-        """فراخوانی Cerebras API با پرامپت بهبود شده"""
-        logger.info("🔄 فراخوانی Cerebras API با دستورالعمل قوی...")
-        
-        system_prompt = self.get_system_prompt()
-        user_prompt = self.get_user_prompt(text)
-        
-        try:
-            response = requests.post(
-                "https://api.cerebras.ai/v1/chat/completions",
-                headers={
-                    "Authorization": f"Bearer {self.api_key}",
-                    "Content-Type": "application/json"
-                },
-                json={
-                    "model": "llama-3.3-70b",
-                    "messages": [
-                        {"role": "system", "content": system_prompt},
-                        {"role": "user", "content": user_prompt}
-                    ],
-                    "max_tokens": 4000,
-                    "temperature": 0.1
-                },
-                timeout=30
-            )
-            
-            if response.status_code != 200:
-                logger.error(f"❌ خطای API Cerebras: {response.text}")
-                return []
-            
-            result = response.json()
-            content = result['choices'][0]['message']['content']
-            
-            try:
-                # تمیز کردن محتوا از markdown اگر وجود داشته باشد
-                content = content.replace("```json", "").replace("```", "").strip()
-                entities = json.loads(content)
-                if not isinstance(entities, list):
-                    entities = []
-                logger.info(f"✅ {len(entities)} موجودیت استخراج شد")
-                return entities
-            except json.JSONDecodeError:
-                logger.error(f"❌ خطا در JSON parsing: {content[:200]}")
-                return []
-                
-        except Exception as e:
-            logger.error(f"❌ خطا Cerebras: {e}")
-            return []
-    
-    def get_placeholder(self, entity_type: str) -> str:
-        """تولید placeholder با format جدید"""
-        type_lower = entity_type.lower()
-        if type_lower not in self.counters:
-            type_lower = 'amount'
-        
-        self.counters[type_lower] += 1
-        return f"{type_lower}-{self.counters[type_lower]:02d}"
-    
-    def anonymize(self, text: str) -> Tuple[str, List]:
-        """ناشناس‌سازی متن با قوانین ثبات"""
-        logger.info("🚀 شروع ناشناس‌سازی متن...")
-        
-        # تنظیف
-        self.mapping_table = {}
-        self.seen_entities = {}
-        for key in self.counters:
-            self.counters[key] = 0
-        
-        # دریافت موجودیت‌ها
-        entities = self.call_cerebras(text)
-        
-        if not entities:
-            logger.warning("⚠️ موجودیتی شناسایی نشد")
-            return text, []
-        
-        logger.info("🔄 Processing entities...")
-        
-        # جایگزینی با قانون ثبات
-        anonymized = text
-        replacements = []
-        
-        for entity in entities:
-            entity_type = entity.get('type', 'amount').lower()
-            entity_text = entity.get('text', '').strip()
-            original_info = entity.get('original', '')
-            
-            if not entity_text:
-                continue
-            
-            # بررسی اگر این موجودیت قبلاً دیده شده است
-            entity_key = (entity_type, entity_text.lower())
-            
-            if entity_key in self.seen_entities:
-                token = self.seen_entities[entity_key]
-                logger.info(f"🔄 موجودیت تکراری: {entity_text} → {token}")
-            else:
-                token = self.get_placeholder(entity_type)
-                self.seen_entities[entity_key] = token
-                self.mapping_table[token] = {
-                    'original': entity_text,
-                    'type': entity_type,
-                    'note': original_info
-                }
-                logger.info(f"✅ جایگزینی: {entity_text} → {token}")
-            
-            # جایگزینی دقیق (case-sensitive اول، سپس case-insensitive)
-            idx = anonymized.find(entity_text)
-            if idx != -1:
-                anonymized = anonymized[:idx] + token + anonymized[idx + len(entity_text):]
-                replacements.append({
-                    'original': entity_text,
-                    'placeholder': token,
-                    'type': entity_type
-                })
-        
-        logger.info(f"✅ ناشناس‌سازی کامل - {len(self.mapping_table)} نگاشت")
-        return anonymized, entities
-    
-    def get_mapping_table_str(self) -> str:
-        """جدول نگاشت جزئی"""
-        if not self.mapping_table:
-            return "❌ موجودیتی شناسایی نشد"
-        
-        result = "## 📊 جدول نگاشت\n\n"
-        result += "| توکن | اطلاعات اصلی | نوع |\n"
-        result += "|------|--------|------|\n"
-        
-        for token, info in sorted(self.mapping_table.items()):
-            entity_type = info.get('type', 'unknown')
-            original = info.get('original', '')
-            note = info.get('note', '')
-            
-            note_str = f" ({note})" if note else ""
-            result += f"| `{token}` | {original}{note_str} | {entity_type} |\n"
-        
-        return result
-    
-    def restore(self, text: str) -> str:
-        """بازگردانی اطلاعات اصلی"""
-        logger.info("🔄 بازگردانی اطلاعات...")
-        restored = text
-        for token, info in self.mapping_table.items():
-            original = info.get('original', '')
-            restored = restored.replace(token, original)
-        logger.info("✅ بازگردانی کامل")
-        return restored
-
-
-# متغیرهای global
-anonymizer = None
-
-def process(input_text: str) -> Tuple[str, str, str, str, str]:
-    """
-    روند کامل:
-    1. ناشناس‌سازی با Cerebras (llama-3.3-70b) + پرامپت قوی
-    2. ارسال به ChatGPT (حتما!)
-    3. بازگردانی پاسخ ChatGPT
-    """
-    global anonymizer
-    
-    try:
-        if not input_text.strip():
-            return "", "", "", "", ""
-        
-        # دریافت API Keys
-        api_key_cerebras = os.getenv("CEREBRAS_API_KEY")
-        api_key_gpt = os.getenv("OPENAI_API_KEY")
-        
-        if not api_key_gpt:
-            logger.error("❌ OPENAI_API_KEY یافت نشد")
-            return "", "", "", "", ""
-        
-        if not api_key_cerebras:
-            logger.error("❌ CEREBRAS_API_KEY یافت نشد")
-            return "", "", "", "", ""
-        
-        # ============================================
-        # مرحله 1: مقداردهی
-        # ============================================
-        if not anonymizer:
-            logger.info("Initializing anonymizer...")
-            anonymizer = AnonymizerCerebrasEnhanced()
-        
-        # ============================================
-        # مرحله 2: ناشناس‌سازی با پرامپت قوی
-        # ============================================
-        logger.info("Step 1: Anonymizing text with Cerebras...")
-        
-        anonymized_text, entities = anonymizer.anonymize(input_text)
-        
-        if not entities:
-            logger.warning("⚠️ موجودیتی شناسایی نشد - متن ناشناس نشد")
-            return input_text, "", "", "", ""
-        
-        # ============================================
-        # مرحله 3: جدول نگاشت
-        # ============================================
-        logger.info("Step 2: Creating mapping table")
-        mapping = anonymizer.get_mapping_table_str()
-        logger.info(f"📋 {len(anonymizer.mapping_table)} نگاشت ایجاد شد")
-        
-        # ============================================
-        # مرحله 4: ارسال به ChatGPT (حتما!)
-        # ============================================
-        logger.info("Step 3: Sending to ChatGPT...")
-        
-        prompt = f"""متن ناشناس‌شده زیر (متن مالی) را تحلیل و خلاصه کنید.
-
-متن:
-{anonymized_text}
-
-لطفاً:
-1. خلاصه‌ای مختصر و معنادار ارائه دهید
-2. نکات اصلی را مشخص کنید
-3. تمام توکن‌های ناشناس (مثل company-01، amount-02) را حفظ کنید
-4. تنها اطلاعات موجود در متن را بیان کنید"""
-        
-        logger.info(f"📤 ارسال به ChatGPT (gpt-4o-mini)...")
-        
-        try:
-            gpt_response_obj = requests.post(
-                "https://api.openai.com/v1/chat/completions",
-                headers={"Authorization": f"Bearer {api_key_gpt}"},
-                json={
-                    "model": "gpt-4o-mini",
-                    "messages": [
-                        {
-                            "role": "system", 
-                            "content": "شما دستیار تحلیل متون مالی فارسی هستید. متن‌های ناشناس‌شده را دقیق تحلیل کنید. تمام توکن‌های ناشناس را حفظ کنید."
-                        },
-                        {"role": "user", "content": prompt}
-                    ],
-                    "max_tokens": 1500,
-                    "temperature": 0.7
-                },
-                timeout=30
-            )
-            
-            if gpt_response_obj.status_code == 200:
-                gpt_response = gpt_response_obj.json()['choices'][0]['message']['content']
-                logger.info("✅ پاسخ دریافت شد")
-            else:
-                error_text = gpt_response_obj.json().get('error', {}).get('message', gpt_response_obj.text)
-                logger.error(f"❌ خطای ChatGPT: {error_text}")
-                return input_text, anonymized_text, "", "", mapping
-                
-        except Exception as e:
-            logger.error(f"❌ خطا در ارسال به ChatGPT: {e}")
-            return input_text, anonymized_text, "", "", mapping
-        
-        # ============================================
-        # مرحله 5: بازگردانی پاسخ ChatGPT
-        # ============================================
-        logger.info("Step 4: Restoring original text...")
-        
-        restored_text = anonymizer.restore(gpt_response)
-        
-        logger.info(f"✅ بازگردانی کامل")
-        
-        logger.info(f"Done. Input: {len(input_text)} | Anonymized: {len(anonymized_text)} | Entities: {len(entities)}")
-        
-        return input_text, anonymized_text, gpt_response, restored_text, mapping
-        
-    except Exception as e:
-        logger.error(f"❌ خطا عمومی: {e}", exc_info=True)
-        return "", "", "", "", ""
-
-def clear():
-    """پاک کردن"""
-    return "", "", "", "", ""
-
-# رابط Gradio
-with gr.Blocks(title="Text Anonymization", theme=gr.themes.Soft()) as app:
-    
-    with gr.Row():
-        with gr.Column(scale=2):
-            input_text = gr.Textbox(
-                lines=12,
-                placeholder="متن را وارد کنید...",
-                label="Input"
-            )
-        
-        with gr.Column(scale=1):
-            process_btn = gr.Button("Process", variant="primary", size="lg")
-            clear_btn = gr.Button("Clear", variant="stop")
-    
-    with gr.Row():
-        with gr.Column():
-            anonymized_text = gr.Textbox(
-                lines=10,
-                label="Anonymized",
-                interactive=False
-            )
-        
-        with gr.Column():
-            gpt_response = gr.Textbox(
-                lines=10,
-                label="GPT Response",
-                interactive=False
-            )
-        
-        with gr.Column():
-            restored_text = gr.Textbox(
-                lines=10,
-                label="Restored",
-                interactive=False
-            )
-    
-    with gr.Row():
-        with gr.Column():
-            mapping = gr.Textbox(
-                lines=10,
-                label="Mapping",
-                interactive=False
-            )
-    
-    # Event handlers
-    process_btn.click(
-        fn=process,
-        inputs=[input_text],
-        outputs=[input_text, anonymized_text, gpt_response, restored_text, mapping]
-    )
-    
-    clear_btn.click(
-        fn=clear,
-        outputs=[input_text, anonymized_text, gpt_response, restored_text, mapping]
-    )
-
-if __name__ == "__main__":
-    print("Starting Text Anonymization System...")
-    app.launch(
-        server_name="0.0.0.0",
-        server_port=7860,
-        share=False,
-        show_error=True
-    )