leilaghomashchi commited on
Commit
74dfc46
·
verified ·
1 Parent(s): 4244c98

Upload app_multi_api.py

Browse files
Files changed (1) hide show
  1. app_multi_api.py +722 -0
app_multi_api.py ADDED
@@ -0,0 +1,722 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ import requests
2
+ import json
3
+ import gradio as gr
4
+ from typing import Dict, Any, List, Generator, Optional
5
+ import os
6
+ from dataclasses import dataclass
7
+ import re
8
+ import pandas as pd
9
+ import time
10
+ from datetime import datetime
11
+ import threading
12
+ from queue import Queue
13
+ import io
14
+ from requests.adapters import HTTPAdapter
15
+ from urllib3.util.retry import Retry
16
+ from enum import Enum
17
+
18
+ class APIProvider(Enum):
19
+ """پرووایدرهای API پشتیبانی شده"""
20
+ CEREBRAS = "cerebras"
21
+ GROQ = "groq"
22
+ OPENAI = "openai"
23
+
24
+ @dataclass
25
+ class APIConfig:
26
+ """تنظیمات API"""
27
+ provider: APIProvider
28
+ api_key: str
29
+ base_url: str
30
+ model: str
31
+ max_tokens: int = 2000
32
+ temperature: float = 0.1
33
+
34
+ # تنظیمات پیش‌فرض برای هر پرووایدر
35
+ API_CONFIGS = {
36
+ APIProvider.CEREBRAS: {
37
+ "base_url": "https://api.cerebras.ai/v1",
38
+ "models": ["qwen-3-32b", "llama-4-scout-17b-16e-instruct", "llama3.1-8b"],
39
+ "default_model": "qwen-3-32b"
40
+ },
41
+ APIProvider.GROQ: {
42
+ "base_url": "https://api.groq.com/openai/v1",
43
+ "models": ["llama-3.3-70b-versatile", "llama-3.1-8b-instant", "mixtral-8x7b-32768"],
44
+ "default_model": "llama-3.3-70b-versatile"
45
+ },
46
+ APIProvider.OPENAI: {
47
+ "base_url": "https://api.openai.com/v1",
48
+ "models": ["gpt-4o-mini", "gpt-4o", "gpt-3.5-turbo"],
49
+ "default_model": "gpt-4o-mini"
50
+ }
51
+ }
52
+
53
+ @dataclass
54
+ class RateLimitConfig:
55
+ """تنظیمات محدودیت نرخ درخواست"""
56
+ requests_per_minute: int = 30
57
+ min_delay_between_requests: float = 2.0
58
+ max_retries: int = 5
59
+ initial_backoff: float = 5.0
60
+ max_backoff: float = 60.0
61
+ backoff_multiplier: float = 2.0
62
+ recovery_window: float = 60.0
63
+
64
+ class RateLimiter:
65
+ """مدیریت محدودیت نرخ درخواست"""
66
+
67
+ def __init__(self, config: RateLimitConfig):
68
+ self.config = config
69
+ self.request_times: List[float] = []
70
+ self.lock = threading.Lock()
71
+ self.consecutive_failures = 0
72
+ self.last_failure_time = 0
73
+ self.last_success_time = time.time()
74
+ self.total_429_errors = 0
75
+
76
+ def wait_if_needed(self) -> float:
77
+ """انتظار تا زمان مجاز ارسال درخواست بعدی"""
78
+ with self.lock:
79
+ now = time.time()
80
+
81
+ # پاک کردن درخواست‌های قدیمی
82
+ self.request_times = [t for t in self.request_times if now - t < 60]
83
+
84
+ # بازیابی از خطاهای قبلی
85
+ if self.consecutive_failures > 0 and (now - self.last_failure_time) > self.config.recovery_window:
86
+ self.consecutive_failures = max(0, self.consecutive_failures - 1)
87
+
88
+ wait_time = 0.0
89
+
90
+ # محدودیت درخواست در دقیقه
91
+ if len(self.request_times) >= self.config.requests_per_minute:
92
+ oldest_request = min(self.request_times)
93
+ wait_time = max(wait_time, 60 - (now - oldest_request) + 1)
94
+
95
+ # حداقل تأخیر
96
+ if self.request_times:
97
+ time_since_last = now - max(self.request_times)
98
+ if time_since_last < self.config.min_delay_between_requests:
99
+ wait_time = max(wait_time, self.config.min_delay_between_requests - time_since_last)
100
+
101
+ # backoff برای خطاها
102
+ if self.consecutive_failures > 0:
103
+ failure_wait = min(
104
+ self.config.initial_backoff * (self.config.backoff_multiplier ** min(self.consecutive_failures, 4)),
105
+ self.config.max_backoff
106
+ )
107
+ wait_time = max(wait_time, failure_wait)
108
+
109
+ if wait_time > 0:
110
+ time.sleep(wait_time)
111
+
112
+ self.request_times.append(time.time())
113
+ return wait_time
114
+
115
+ def report_success(self):
116
+ with self.lock:
117
+ self.last_success_time = time.time()
118
+ self.consecutive_failures = 0
119
+
120
+ def report_failure(self, is_rate_limit: bool = False):
121
+ with self.lock:
122
+ self.last_failure_time = time.time()
123
+ if is_rate_limit:
124
+ self.consecutive_failures += 1
125
+ self.total_429_errors += 1
126
+ else:
127
+ self.consecutive_failures = min(self.consecutive_failures + 0.5, 3)
128
+
129
+ def get_estimated_wait_time(self) -> float:
130
+ with self.lock:
131
+ now = time.time()
132
+ self.request_times = [t for t in self.request_times if now - t < 60]
133
+ if len(self.request_times) >= self.config.requests_per_minute:
134
+ return max(0, 60 - (now - min(self.request_times)) + 1)
135
+ return self.config.min_delay_between_requests
136
+
137
+ def get_status(self) -> Dict[str, Any]:
138
+ with self.lock:
139
+ return {
140
+ "consecutive_failures": self.consecutive_failures,
141
+ "total_429_errors": self.total_429_errors,
142
+ "requests_in_last_minute": len(self.request_times)
143
+ }
144
+
145
+
146
+ class MultiProviderAnonymizer:
147
+ """سیستم ناشناس‌سازی با پشتیبانی از چند API"""
148
+
149
+ def __init__(
150
+ self,
151
+ provider: APIProvider,
152
+ api_key: str,
153
+ model: str = None,
154
+ rate_limit_config: RateLimitConfig = None
155
+ ):
156
+ self.provider = provider
157
+ self.api_key = api_key
158
+
159
+ provider_config = API_CONFIGS[provider]
160
+ self.base_url = provider_config["base_url"]
161
+ self.model = model or provider_config["default_model"]
162
+
163
+ self.rate_limit_config = rate_limit_config or RateLimitConfig()
164
+ self.rate_limiter = RateLimiter(self.rate_limit_config)
165
+ self.system_prompt = self._create_system_prompt()
166
+ self.session = self._create_session()
167
+
168
+ def _create_session(self) -> requests.Session:
169
+ """ایجاد session با تنظیمات بهینه"""
170
+ session = requests.Session()
171
+ retry_strategy = Retry(
172
+ total=3,
173
+ backoff_factor=1,
174
+ status_forcelist=[500, 502, 503, 504],
175
+ allowed_methods=["POST"]
176
+ )
177
+ adapter = HTTPAdapter(max_retries=retry_strategy, pool_connections=10, pool_maxsize=10)
178
+ session.mount("https://", adapter)
179
+ session.mount("http://", adapter)
180
+ return session
181
+
182
+ def _create_system_prompt(self) -> str:
183
+ """دستورالعمل سیستمی"""
184
+ return """شما یک «ناشناس‌ساز متون مالی/خبری فارسی» هستید. وظیفه‌تان جایگزینی اسامی خاص و مقادیر عددی با شناسه‌های بی‌معناست.
185
+
186
+ ## **قوانین اندیس‌گذاری**
187
+ - شرکت‌ها: company-01, company-02, ... (پیوسته)
188
+ - اشخاص: person-01, person-02, ... (پیوسته)
189
+ - اعداد: amount-01, amount-02, ... (پیوسته)
190
+ - درصدها: percent-01, percent-02, ... (پیوسته)
191
+
192
+ ## **ثبات شناسه‌ها:**
193
+ - اگر "همراه اول" اول‌بار company-01 شد، در تمام متن همان باشد
194
+
195
+ ## **تشخیص صحیح:**
196
+ - **شرکت/سازمان:** همراه اول، بانک ملی، ایران‌خودرو، سایپا، بانک مرکزی
197
+ - **گروه‌ها:** "گروه همراه اول" → company-XX (نه group-XX)
198
+ - **کلمات عمومی:** "سه شرکت"، "چند بانک" → حفظ شوند
199
+ - **شخص:** مهدی اخوان بهابادی، محمدرضا فرزین
200
+ - **عدد:** 37، 70، 677 (هر عددی)
201
+ - **درصد:** 37 درصدی، 15%
202
+
203
+ ## **مثال:**
204
+ **ورودی:** مهدی اخوان، مدیرعامل همراه اول، اعلام کرد درآمد با رشد 37 درصدی به 70 میلیارد رسید.
205
+ **خروجی:** person-01، مدیرعامل company-01، اعلام کرد درآمد با رشد percent-01 به amount-01 رسید.
206
+
207
+ ## **حفظ شود:**
208
+ - تاریخ‌ها: 1404/04/23
209
+ - دوره‌های زمانی: ۹ ماهه، ۵ ماهه سال
210
+ - واحدها: میلیارد تومان، همت
211
+ - مکان‌ها: تهران، اصفهان
212
+
213
+ **فقط متن ناشناس‌شده را برگردان - بدون توضیح اضافی.**
214
+ """
215
+
216
+ def _make_api_request(self, text: str) -> Dict[str, Any]:
217
+ """ارسال درخواست به API"""
218
+ headers = {
219
+ "Authorization": f"Bearer {self.api_key}",
220
+ "Content-Type": "application/json"
221
+ }
222
+
223
+ payload = {
224
+ "messages": [
225
+ {"role": "system", "content": self.system_prompt},
226
+ {"role": "user", "content": text}
227
+ ],
228
+ "model": self.model,
229
+ "temperature": 0.1,
230
+ "max_tokens": 2000
231
+ }
232
+
233
+ # اضافه کردن پارامترهای خاص هر پرووایدر
234
+ if self.provider == APIProvider.GROQ:
235
+ # Groq نیاز به این پارامتر نداره
236
+ pass
237
+
238
+ last_error = None
239
+
240
+ for attempt in range(self.rate_limit_config.max_retries):
241
+ self.rate_limiter.wait_if_needed()
242
+
243
+ try:
244
+ response = self.session.post(
245
+ f"{self.base_url}/chat/completions",
246
+ headers=headers,
247
+ json=payload,
248
+ timeout=90
249
+ )
250
+
251
+ if response.status_code == 429:
252
+ self.rate_limiter.report_failure(is_rate_limit=True)
253
+ retry_after = response.headers.get('Retry-After')
254
+ wait_seconds = int(retry_after) if retry_after else min(
255
+ self.rate_limit_config.initial_backoff * (self.rate_limit_config.backoff_multiplier ** attempt),
256
+ 60.0
257
+ )
258
+ last_error = f"Rate limit (429). تلاش {attempt + 1}/{self.rate_limit_config.max_retries}"
259
+ print(f"🚫 {last_error} - انتظار {wait_seconds}s")
260
+ time.sleep(wait_seconds)
261
+ continue
262
+
263
+ if response.status_code == 401:
264
+ raise Exception(f"❌ کلید API نامعتبر است برای {self.provider.value}")
265
+
266
+ if response.status_code == 503:
267
+ self.rate_limiter.report_failure(is_rate_limit=False)
268
+ last_error = f"سرویس در دسترس نیست (503)"
269
+ time.sleep(10)
270
+ continue
271
+
272
+ response.raise_for_status()
273
+ self.rate_limiter.report_success()
274
+ return response.json()
275
+
276
+ except requests.exceptions.Timeout:
277
+ self.rate_limiter.report_failure(is_rate_limit=False)
278
+ last_error = f"Timeout"
279
+ time.sleep(5)
280
+
281
+ except requests.exceptions.ConnectionError as e:
282
+ self.rate_limiter.report_failure(is_rate_limit=False)
283
+ last_error = f"خطای اتصال: {str(e)[:50]}"
284
+ time.sleep(10)
285
+
286
+ except requests.exceptions.RequestException as e:
287
+ self.rate_limiter.report_failure(is_rate_limit=False)
288
+ last_error = f"خطای شبکه: {str(e)[:50]}"
289
+ time.sleep(5)
290
+
291
+ raise Exception(f"ناموفق پس از {self.rate_limit_config.max_retries} تلاش: {last_error}")
292
+
293
+ def anonymize_text(self, text: str) -> Dict[str, Any]:
294
+ """ناشناس‌سازی متن"""
295
+ if not text or not text.strip():
296
+ return {"success": False, "error": "متن ورودی خالی است", "anonymized_text": ""}
297
+
298
+ try:
299
+ response = self._make_api_request(text)
300
+
301
+ if "choices" not in response or not response["choices"]:
302
+ return {"success": False, "error": "پاسخ نامعتبر", "anonymized_text": ""}
303
+
304
+ content = response["choices"][0]["message"]["content"]
305
+
306
+ # پاک کردن markdown
307
+ if "```" in content:
308
+ lines = content.split('\n')
309
+ clean_lines = []
310
+ skip = False
311
+ for line in lines:
312
+ if line.strip().startswith('```'):
313
+ skip = not skip
314
+ continue
315
+ if not skip:
316
+ clean_lines.append(line)
317
+ content = '\n'.join(clean_lines)
318
+
319
+ content = content.strip()
320
+
321
+ # تحلیل نتایج
322
+ companies = re.findall(r'company-(\d+)', content)
323
+ persons = re.findall(r'person-(\d+)', content)
324
+ amounts = re.findall(r'amount-(\d+)', content)
325
+ percents = re.findall(r'percent-(\d+)', content)
326
+
327
+ return {
328
+ "success": True,
329
+ "anonymized_text": content,
330
+ "statistics": {
331
+ "company": len(set(companies)),
332
+ "person": len(set(persons)),
333
+ "amount": len(set(amounts)),
334
+ "percent": len(set(percents))
335
+ },
336
+ "usage": response.get("usage", {})
337
+ }
338
+
339
+ except Exception as e:
340
+ return {"success": False, "error": f"خطا: {str(e)}", "anonymized_text": ""}
341
+
342
+
343
+ class BatchProcessor:
344
+ """پردازشگر دسته‌ای"""
345
+
346
+ def __init__(
347
+ self,
348
+ provider: APIProvider,
349
+ api_key: str,
350
+ model: str = None,
351
+ rate_limit_config: RateLimitConfig = None
352
+ ):
353
+ self.provider = provider
354
+ self.api_key = api_key
355
+ self.model = model
356
+ self.rate_limit_config = rate_limit_config or RateLimitConfig()
357
+ self.anonymizer = None
358
+ self.is_cancelled = False
359
+ self.current_progress = 0
360
+ self.total_rows = 0
361
+ self.processed_rows = 0
362
+ self.failed_rows = 0
363
+ self.start_time = None
364
+ self.consecutive_api_failures = 0
365
+ self.max_consecutive_failures = 10
366
+
367
+ def cancel(self):
368
+ self.is_cancelled = True
369
+
370
+ def reset(self):
371
+ self.is_cancelled = False
372
+ self.current_progress = 0
373
+ self.total_rows = 0
374
+ self.processed_rows = 0
375
+ self.failed_rows = 0
376
+ self.start_time = None
377
+ self.consecutive_api_failures = 0
378
+
379
+ def process_csv(
380
+ self,
381
+ file_path: str,
382
+ text_column: str,
383
+ output_column: str = "anonymized_text"
384
+ ) -> Generator[Dict[str, Any], None, None]:
385
+ """پردازش فایل CSV"""
386
+
387
+ self.reset()
388
+ self.start_time = time.time()
389
+
390
+ # خواندن فایل
391
+ try:
392
+ df = pd.read_csv(file_path, encoding='utf-8')
393
+ except UnicodeDecodeError:
394
+ try:
395
+ df = pd.read_csv(file_path, encoding='utf-8-sig')
396
+ except:
397
+ df = pd.read_csv(file_path, encoding='cp1256')
398
+
399
+ if text_column not in df.columns:
400
+ yield {"type": "error", "message": f"ستون '{text_column}' یافت نشد"}
401
+ return
402
+
403
+ self.total_rows = len(df)
404
+
405
+ # ایجاد anonymizer
406
+ self.anonymizer = MultiProviderAnonymizer(
407
+ provider=self.provider,
408
+ api_key=self.api_key,
409
+ model=self.model,
410
+ rate_limit_config=self.rate_limit_config
411
+ )
412
+
413
+ df[output_column] = ""
414
+ df["anonymization_status"] = ""
415
+ df["entities_found"] = ""
416
+
417
+ yield {
418
+ "type": "info",
419
+ "message": f"🚀 شروع پردازش {self.total_rows} ردیف با {self.provider.value}..."
420
+ }
421
+
422
+ for idx, row in df.iterrows():
423
+ if self.is_cancelled:
424
+ yield {
425
+ "type": "cancelled",
426
+ "message": "لغو شد",
427
+ "processed": self.processed_rows,
428
+ "failed": self.failed_rows
429
+ }
430
+ break
431
+
432
+ if self.consecutive_api_failures >= self.max_consecutive_failures:
433
+ partial_path = file_path.replace('.csv', f'_partial_{idx}.csv')
434
+ df.to_csv(partial_path, index=False, encoding='utf-8-sig')
435
+ yield {
436
+ "type": "error",
437
+ "message": f"❌ توقف - خطاهای متوالی زیاد. ذخیره شد: {partial_path}"
438
+ }
439
+ return
440
+
441
+ text = str(row[text_column]) if pd.notna(row[text_column]) else ""
442
+
443
+ if not text.strip():
444
+ df.at[idx, output_column] = ""
445
+ df.at[idx, "anonymization_status"] = "خالی"
446
+ self.processed_rows += 1
447
+ continue
448
+
449
+ result = self.anonymizer.anonymize_text(text)
450
+
451
+ if result["success"]:
452
+ df.at[idx, output_column] = result["anonymized_text"]
453
+ df.at[idx, "anonymization_status"] = "موفق"
454
+ stats = result.get("statistics", {})
455
+ df.at[idx, "entities_found"] = f"C:{stats.get('company',0)}|P:{stats.get('person',0)}|A:{stats.get('amount',0)}|%:{stats.get('percent',0)}"
456
+ self.processed_rows += 1
457
+ self.consecutive_api_failures = 0
458
+ else:
459
+ df.at[idx, output_column] = f"خطا: {result.get('error', '')}"
460
+ df.at[idx, "anonymization_status"] = "ناموفق"
461
+ self.failed_rows += 1
462
+ if "rate limit" in result.get('error', '').lower() or "429" in result.get('error', ''):
463
+ self.consecutive_api_failures += 1
464
+
465
+ # پیشرفت
466
+ self.current_progress = (idx + 1) / self.total_rows * 100
467
+ elapsed = time.time() - self.start_time
468
+
469
+ yield {
470
+ "type": "progress",
471
+ "current": idx + 1,
472
+ "total": self.total_rows,
473
+ "progress": self.current_progress,
474
+ "processed": self.processed_rows,
475
+ "failed": self.failed_rows,
476
+ "elapsed": elapsed,
477
+ "estimated_remaining": (elapsed / (idx + 1)) * (self.total_rows - idx - 1),
478
+ "next_wait": self.anonymizer.rate_limiter.get_estimated_wait_time(),
479
+ "last_result": result,
480
+ "rate_status": self.anonymizer.rate_limiter.get_status()
481
+ }
482
+
483
+ # Checkpoint هر 100 ردیف
484
+ if (idx + 1) % 100 == 0:
485
+ checkpoint_path = file_path.replace('.csv', f'_checkpoint_{idx+1}.csv')
486
+ df.to_csv(checkpoint_path, index=False, encoding='utf-8-sig')
487
+ yield {"type": "info", "message": f"💾 Checkpoint: {checkpoint_path}"}
488
+
489
+ # ذخیره نهایی
490
+ if not self.is_cancelled:
491
+ output_path = file_path.replace('.csv', '_anonymized.csv')
492
+ if output_path == file_path:
493
+ output_path = file_path + '_anonymized.csv'
494
+
495
+ df.to_csv(output_path, index=False, encoding='utf-8-sig')
496
+
497
+ yield {
498
+ "type": "complete",
499
+ "message": "✅ تکمیل شد!",
500
+ "output_path": output_path,
501
+ "total": self.total_rows,
502
+ "processed": self.processed_rows,
503
+ "failed": self.failed_rows,
504
+ "total_time": time.time() - self.start_time
505
+ }
506
+
507
+
508
+ def create_interface():
509
+ """ایجاد رابط کاربری"""
510
+
511
+ custom_css = """
512
+ .rtl-text { direction: rtl; text-align: right; font-family: 'Vazirmatn', 'Tahoma', sans-serif; }
513
+ """
514
+
515
+ with gr.Blocks(css=custom_css, title="ناشناس‌ساز چند-API", theme=gr.themes.Soft()) as interface:
516
+ gr.Markdown("""
517
+ # 🔒 سیستم ناشناس‌سازی متون فارسی
518
+ ### پشتیبانی از Cerebras، Groq و OpenAI
519
+ """, elem_classes=["rtl-text"])
520
+
521
+ batch_processor = {"instance": None}
522
+
523
+ with gr.Tabs():
524
+ # تب پردازش تکی
525
+ with gr.Tab("پردازش تکی"):
526
+ with gr.Row():
527
+ with gr.Column():
528
+ single_provider = gr.Dropdown(
529
+ label="🌐 پرووایدر API",
530
+ choices=["cerebras", "groq", "openai"],
531
+ value="groq",
532
+ elem_classes=["rtl-text"]
533
+ )
534
+ single_api_key = gr.Textbox(
535
+ label="🔑 کلید API",
536
+ placeholder="کلید API خود را وارد کنید",
537
+ type="password"
538
+ )
539
+ single_model = gr.Dropdown(
540
+ label="🤖 مدل",
541
+ choices=["llama-3.3-70b-versatile", "llama-3.1-8b-instant"],
542
+ value="llama-3.3-70b-versatile"
543
+ )
544
+ single_input = gr.Textbox(
545
+ label="متن ورودی",
546
+ lines=5,
547
+ elem_classes=["rtl-text"]
548
+ )
549
+ single_btn = gr.Button("🔄 ناشناس‌سازی", variant="primary")
550
+
551
+ with gr.Column():
552
+ single_output = gr.Textbox(label="متن ناشناس‌شده", lines=5, elem_classes=["rtl-text"])
553
+ single_stats = gr.Textbox(label="آمار", lines=2)
554
+
555
+ # تب پردازش دسته‌ای
556
+ with gr.Tab("پردازش دسته‌ای"):
557
+ with gr.Row():
558
+ with gr.Column():
559
+ batch_provider = gr.Dropdown(
560
+ label="🌐 پرووایدر API",
561
+ choices=["cerebras", "groq", "openai"],
562
+ value="groq"
563
+ )
564
+ batch_api_key = gr.Textbox(
565
+ label="🔑 کلید API",
566
+ type="password"
567
+ )
568
+ batch_model = gr.Dropdown(
569
+ label="🤖 مدل",
570
+ choices=["llama-3.3-70b-versatile", "qwen-3-32b", "gpt-4o-mini"],
571
+ value="llama-3.3-70b-versatile"
572
+ )
573
+ csv_file = gr.File(label="📁 فایل CSV", file_types=[".csv"])
574
+ text_column = gr.Dropdown(label="ستون متن", choices=[], allow_custom_value=True)
575
+ output_column = gr.Textbox(label="نام ستون خروجی", value="anonymized_text")
576
+
577
+ with gr.Column():
578
+ delay_slider = gr.Slider(1, 30, 3, step=0.5, label="تأخیر (ثانیه)")
579
+ rpm_slider = gr.Slider(5, 30, 20, step=1, label="حداکثر درخواست/دقیقه")
580
+ retries_slider = gr.Slider(1, 10, 5, step=1, label="تلاش مجدد")
581
+
582
+ with gr.Row():
583
+ start_btn = gr.Button("🚀 شروع", variant="primary", size="lg")
584
+ cancel_btn = gr.Button("⏹️ لغو", variant="stop", size="lg")
585
+
586
+ progress_bar = gr.Slider(0, 100, 0, label="پیشرفت", interactive=False)
587
+ progress_text = gr.Markdown("در انتظار...")
588
+ time_stats = gr.Markdown("")
589
+ process_log = gr.Textbox(lines=10, label="لاگ")
590
+ preview_table = gr.Dataframe(headers=["متن", "ناشناس‌شده", "وضعیت"])
591
+ output_file = gr.File(label="دانلود", visible=False)
592
+
593
+ # توابع
594
+ def update_models(provider):
595
+ if provider == "cerebras":
596
+ return gr.update(choices=["qwen-3-32b", "llama-4-scout-17b-16e-instruct"], value="qwen-3-32b")
597
+ elif provider == "groq":
598
+ return gr.update(choices=["llama-3.3-70b-versatile", "llama-3.1-8b-instant", "mixtral-8x7b-32768"], value="llama-3.3-70b-versatile")
599
+ else:
600
+ return gr.update(choices=["gpt-4o-mini", "gpt-4o"], value="gpt-4o-mini")
601
+
602
+ def update_columns(file):
603
+ if file is None:
604
+ return gr.update(choices=[], value=None)
605
+ try:
606
+ df = pd.read_csv(file.name, nrows=0, encoding='utf-8')
607
+ except:
608
+ try:
609
+ df = pd.read_csv(file.name, nrows=0, encoding='utf-8-sig')
610
+ except:
611
+ df = pd.read_csv(file.name, nrows=0, encoding='cp1256')
612
+ columns = list(df.columns)
613
+ return gr.update(choices=columns, value=columns[0] if columns else None)
614
+
615
+ def process_single(provider, api_key, model, text):
616
+ if not text.strip():
617
+ return "", "❌ متن خالی"
618
+ if not api_key:
619
+ return "", "❌ کلید API وارد نشده"
620
+
621
+ try:
622
+ prov = APIProvider(provider)
623
+ anonymizer = MultiProviderAnonymizer(provider=prov, api_key=api_key, model=model)
624
+ result = anonymizer.anonymize_text(text)
625
+
626
+ if result["success"]:
627
+ stats = result.get("statistics", {})
628
+ return result["anonymized_text"], f"✅ C:{stats.get('company',0)} | P:{stats.get('person',0)} | A:{stats.get('amount',0)} | %:{stats.get('percent',0)}"
629
+ else:
630
+ return "", f"❌ {result.get('error', '')}"
631
+ except Exception as e:
632
+ return "", f"❌ {str(e)}"
633
+
634
+ def start_batch(file, text_col, output_col, delay, rpm, retries, provider, api_key, model):
635
+ if file is None:
636
+ yield (0, "❌ فایل انتخاب نشده", "", "", None, gr.update(visible=False))
637
+ return
638
+ if not api_key:
639
+ yield (0, "❌ کلید API وارد نشده", "", "", None, gr.update(visible=False))
640
+ return
641
+
642
+ prov = APIProvider(provider)
643
+ rate_config = RateLimitConfig(
644
+ requests_per_minute=int(rpm),
645
+ min_delay_between_requests=float(delay),
646
+ max_retries=int(retries)
647
+ )
648
+
649
+ processor = BatchProcessor(provider=prov, api_key=api_key, model=model, rate_limit_config=rate_config)
650
+ batch_processor["instance"] = processor
651
+
652
+ log_lines = []
653
+ preview_data = []
654
+
655
+ for update in processor.process_csv(file.name, text_col, output_col):
656
+ update_type = update.get("type")
657
+
658
+ if update_type == "error":
659
+ log_lines.append(f"❌ {update['message']}")
660
+ yield (0, f"❌ {update['message']}", "", "\n".join(log_lines), None, gr.update(visible=False))
661
+ return
662
+
663
+ elif update_type == "info":
664
+ log_lines.append(f"ℹ️ {update['message']}")
665
+
666
+ elif update_type == "progress":
667
+ progress = update["progress"]
668
+ current = update["current"]
669
+ total = update["total"]
670
+ elapsed = update["elapsed"]
671
+ remaining = update["estimated_remaining"]
672
+
673
+ progress_md = f"**{current}/{total}** ({progress:.1f}%) | ✅ {update['processed']} | ❌ {update['failed']}"
674
+ time_md = f"⏱️ {elapsed/60:.1f}m | باقیمانده: {remaining/60:.1f}m"
675
+
676
+ if current % 10 == 0:
677
+ log_lines.append(f"📊 {current}/{total}")
678
+
679
+ last_result = update.get("last_result", {})
680
+ if last_result.get("success"):
681
+ preview_data.append(["...", last_result.get("anonymized_text", "")[:80] + "...", "✅"])
682
+ if len(preview_data) > 5:
683
+ preview_data = preview_data[-5:]
684
+
685
+ yield (progress, progress_md, time_md, "\n".join(log_lines[-15:]), preview_data if preview_data else None, gr.update(visible=False))
686
+
687
+ elif update_type == "cancelled":
688
+ log_lines.append("⏹️ لغو شد")
689
+ yield (0, "⏹️ لغو شد", "", "\n".join(log_lines), preview_data if preview_data else None, gr.update(visible=False))
690
+ return
691
+
692
+ elif update_type == "complete":
693
+ log_lines.append(f"✅ {update['message']}")
694
+ progress_md = f"✅ تکمیل! {update['processed']}/{update['total']} موفق | {update['total_time']/60:.1f} دقیقه"
695
+ yield (100, progress_md, "", "\n".join(log_lines), preview_data if preview_data else None, gr.update(value=update['output_path'], visible=True))
696
+
697
+ def cancel():
698
+ if batch_processor["instance"]:
699
+ batch_processor["instance"].cancel()
700
+ return "⏹️ لغو شد..."
701
+
702
+ # اتصالات
703
+ single_provider.change(update_models, [single_provider], [single_model])
704
+ batch_provider.change(update_models, [batch_provider], [batch_model])
705
+ csv_file.change(update_columns, [csv_file], [text_column])
706
+
707
+ single_btn.click(process_single, [single_provider, single_api_key, single_model, single_input], [single_output, single_stats])
708
+
709
+ start_btn.click(
710
+ start_batch,
711
+ [csv_file, text_column, output_column, delay_slider, rpm_slider, retries_slider, batch_provider, batch_api_key, batch_model],
712
+ [progress_bar, progress_text, time_stats, process_log, preview_table, output_file]
713
+ )
714
+
715
+ cancel_btn.click(cancel, outputs=[process_log])
716
+
717
+ return interface
718
+
719
+
720
+ if __name__ == "__main__":
721
+ interface = create_interface()
722
+ interface.launch(server_name="0.0.0.0", server_port=7860, share=True, show_error=True)