Upload app_rtl_fa_final.py

app_rtl_fa_final.py

@@ -0,0 +1,459 @@
+import gradio as gr
+import re
+import os
+import requests
+import logging
+from typing import Dict, List, Tuple
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+class AnonymizerAdvanced:
+    """ناشناس‌ساز پیشرفته با روش‌های متعدد"""
+    
+    def __init__(self, cerebras_key: str = None, gpt_key: str = None):
+        self.cerebras_key = cerebras_key or os.getenv("CEREBRAS_API_KEY")
+        self.gpt_key = gpt_key or os.getenv("OPENAI_API_KEY")
+        self.mapping_table = {}  # {placeholder: original_text}
+        self.reverse_mapping = {}  # {original_text: placeholder}
+        
+        logger.info("✅ Anonymizer Advanced مقداردهی شد")
+    
+    def anonymize_with_regex(self, text: str) -> Tuple[str, Dict]:
+        """ناشناس‌سازی با Regex"""
+        logger.info("🔍 روش Regex...")
+        
+        anonymized = text
+        mapping = {}
+        counters = {'person': 0, 'company': 0, 'amount': 0, 'percent': 0}
+        
+        patterns = [
+            ('percent', r'\d+(?:\.\d+)?\s*(?:درصد|%|درصدی)'),
+            ('amount', r'\d+(?:\.\d+)?\s*(?:میلیارد|میلیون|هزار|تومان|ریال|دلار|تن|دستگاه|یورو)'),
+            ('company', r'(?:شرکت|بانک|سازمان|گروه|هلدینگ|گمرک|دپارتمان|شعبه|اداره)\s+[ء-ي]+(?:\s+[ء-ي]+)*'),
+            ('person', r'\b[ء-ي]+\s+[ء-ي]+(?:\s+[ء-ي]+)*\b'),
+        ]
+        
+        for entity_type, pattern in patterns:
+            for match in re.finditer(pattern, anonymized):
+                text_match = match.group()
+                key = text_match.lower().strip()
+                
+                if key not in mapping:
+                    counters[entity_type] += 1
+                    placeholder = f"{entity_type}-{counters[entity_type]:02d}"
+                    mapping[key] = {'placeholder': placeholder, 'type': entity_type}
+                    self.mapping_table[placeholder] = text_match
+                    self.reverse_mapping[text_match] = placeholder
+        
+        # جایگزینی متن
+        for original, info in mapping.items():
+            anonymized = anonymized.replace(original, info['placeholder'])
+        
+        logger.info(f"✅ Regex: {sum(counters.values())} موجودیت")
+        return anonymized, self.mapping_table
+    
+    def anonymize_with_cerebras(self, text: str) -> Tuple[str, Dict]:
+        """ناشناس‌سازی با Cerebras"""
+        logger.info("🧠 روش Cerebras...")
+        
+        if not self.cerebras_key:
+            logger.warning("⚠️ Cerebras API Key نیست - استفاده از Regex")
+            return self.anonymize_with_regex(text)
+        
+        try:
+            prompt = f"""متن زیر را ناشناس کنید. قوانین:
+1. اسامی اشخاص → person-01, person-02, ...
+2. نام شرکت‌ها/سازمان‌ها → company-01, company-02, ...
+3. مقادیر پولی → amount-01, amount-02, ...
+4. درصدها → percent-01, percent-02, ...
+5. فقط این توکن‌ها استفاده کنید
+6. شماره‌های نسخه را درست حفظ کنید
+7. اگر موجودیت تکرار شود از شماره قدیمی استفاده کنید
+
+متن:
+{text}
+
+خروجی: فقط متن ناشناس شده"""
+            
+            response = requests.post(
+                "https://api.cerebras.ai/v1/chat/completions",
+                headers={
+                    "Authorization": f"Bearer {self.cerebras_key}",
+                    "Content-Type": "application/json"
+                },
+                json={
+                    "model": "llama-3.3-70b",
+                    "messages": [{"role": "user", "content": prompt}],
+                    "max_tokens": 4096,
+                    "temperature": 0.1
+                },
+                timeout=60
+            )
+            
+            if response.status_code == 200:
+                anonymized_text = response.json()['choices'][0]['message']['content'].strip()
+                logger.info("✅ Cerebras: موفق")
+                
+                # استخراج mapping از متن
+                self._extract_mapping_from_text(text, anonymized_text)
+                return anonymized_text, self.mapping_table
+            else:
+                logger.error(f"❌ Cerebras Error")
+                return self.anonymize_with_regex(text)
+                
+        except Exception as e:
+            logger.error(f"❌ Cerebras Exception: {e}")
+            return self.anonymize_with_regex(text)
+    
+    def anonymize_combined(self, text: str) -> Tuple[str, Dict]:
+        """روش ترکیبی: Regex + Cerebras"""
+        logger.info("⚙️ روش ترکیبی...")
+        
+        # Step 1: Regex برای شناسایی سریع
+        anonymized_regex, _ = self.anonymize_with_regex(text)
+        
+        # Step 2: اگر Cerebras موجود باشد، بهبود دهد
+        if self.cerebras_key:
+            try:
+                prompt = f"""متن اصلی:
+{text}
+
+متن ناشناس شده توسط Regex:
+{anonymized_regex}
+
+قوانین:
+1. تمام موجودیت‌های حساس را شناسایی کنید
+2. اگر Regex چیزی را از دست داده است، اضافه کنید
+3. شماره‌گذاری را حفظ کنید (person-01 همان person-01 بماند)
+4. تنها متن ناشناس شده را برگردانید"""
+                
+                response = requests.post(
+                    "https://api.cerebras.ai/v1/chat/completions",
+                    headers={
+                        "Authorization": f"Bearer {self.cerebras_key}",
+                        "Content-Type": "application/json"
+                    },
+                    json={
+                        "model": "llama-3.3-70b",
+                        "messages": [{"role": "user", "content": prompt}],
+                        "max_tokens": 4096,
+                        "temperature": 0.1
+                    },
+                    timeout=60
+                )
+                
+                if response.status_code == 200:
+                    enhanced = response.json()['choices'][0]['message']['content'].strip()
+                    self._extract_mapping_from_text(text, enhanced)
+                    logger.info("✅ ترکیبی: بهبود شده")
+                    return enhanced, self.mapping_table
+            except:
+                pass
+        
+        logger.info("✅ ترکیبی: Regex نتیجه")
+        return anonymized_regex, self.mapping_table
+    
+    def _extract_mapping_from_text(self, original: str, anonymized: str):
+        """استخراج mapping از متن‌های اصلی و ناشناس شده"""
+        # الگوهای موجودیت
+        patterns = {
+            'person': r'\b[ء-ي]+\s+[ء-ي]+(?:\s+[ء-ي]+)*\b',
+            'company': r'(?:شرکت|بانک|سازمان|گروه|هلدینگ)\s+[ء-ي]+(?:\s+[ء-ي]+)*',
+            'amount': r'\d+\s*(?:میلیارد|میلیون|هزار|تومان|ریال|دلار|تن)',
+            'percent': r'\d+\s*(?:درصد|%|درصدی)',
+        }
+        
+        for entity_type, pattern in patterns.items():
+            for match in re.finditer(pattern, original):
+                text_match = match.group()
+                tokens = re.findall(f'{entity_type}-\\d+', anonymized)
+                if tokens:
+                    for token in tokens:
+                        if token not in self.mapping_table:
+                            self.mapping_table[token] = text_match
+                            self.reverse_mapping[text_match] = token
+    
+    def analyze_with_gpt(self, anonymized_text: str) -> str:
+        """تحلیل متن ناشناس‌شده با ChatGPT"""
+        logger.info("🤖 ChatGPT تحلیل...")
+        
+        if not self.gpt_key:
+            logger.warning("⚠️ GPT API Key نیست")
+            return "❌ API Key موجود نیست"
+        
+        try:
+            prompt = f"""متن مالی ناشناس‌شده زیر را تحلیل و خلاصه کنید:
+
+متن:
+{anonymized_text}
+
+لطفاً:
+1. خلاصه‌ای مختصر و معنادار بنویسید
+2. نکات اصلی را مشخص کنید
+3. تمام توکن‌های ناشناس (person-01, company-01, amount-01, percent-01) را حفظ کنید
+4. تنها اطلاعات موجود در متن را بیان کنید"""
+            
+            response = requests.post(
+                "https://api.openai.com/v1/chat/completions",
+                headers={
+                    "Authorization": f"Bearer {self.gpt_key}",
+                    "Content-Type": "application/json"
+                },
+                json={
+                    "model": "gpt-4o-mini",
+                    "messages": [
+                        {
+                            "role": "system",
+                            "content": "شما دستیار تحلیل متون مالی فارسی هستید. توکن‌های ناشناس را حفظ کنید."
+                        },
+                        {"role": "user", "content": prompt}
+                    ],
+                    "max_tokens": 1500,
+                    "temperature": 0.7
+                },
+                timeout=60
+            )
+            
+            if response.status_code == 200:
+                gpt_response = response.json()['choices'][0]['message']['content']
+                logger.info("✅ ChatGPT: تحلیل کامل")
+                return gpt_response
+            else:
+                logger.error(f"❌ GPT Error: {response.status_code}")
+                return "❌ خطای ChatGPT"
+                
+        except Exception as e:
+            logger.error(f"❌ GPT Exception: {e}")
+            return f"❌ خطا: {str(e)}"
+    
+    def restore_text(self, anonymized_text: str) -> str:
+        """بازگردانی متن اصلی"""
+        logger.info("🔄 بازگردانی...")
+        
+        restored = anonymized_text
+        for placeholder, original in sorted(self.mapping_table.items()):
+            restored = restored.replace(placeholder, original)
+        
+        logger.info("✅ بازگردانی کامل")
+        return restored
+    
+    def get_mapping_table_md(self) -> str:
+        """تبدیل جدول نگاشت به Markdown"""
+        if not self.mapping_table:
+            return "### 📋 جدول نگاشت\n\nهیچ موجودیتی شناسایی نشد"
+        
+        table = "### 📋 جدول نگاشت\n\n"
+        table += "| شناسه | متن اصلی |\n"
+        table += "|-------|----------|\n"
+        
+        for token, original in sorted(self.mapping_table.items()):
+            table += f"| **{token}** | {original} |\n"
+        
+        return table
+
+# متغیر سراسری
+anonymizer = None
+
+def process(input_text: str, method: str = "combined"):
+    """پردازش متن - 4 مرحله"""
+    global anonymizer
+    
+    if not input_text.strip():
+        return "", "", "", ""
+    
+    cerebras_key = os.getenv("CEREBRAS_API_KEY")
+    gpt_key = os.getenv("OPENAI_API_KEY")
+    
+    if not anonymizer:
+        anonymizer = AnonymizerAdvanced(cerebras_key, gpt_key)
+    else:
+        anonymizer.mapping_table = {}
+        anonymizer.reverse_mapping = {}
+    
+    try:
+        logger.info("=" * 70)
+        logger.info(f"🚀 شروع پردازش - روش: {method}")
+        logger.info("=" * 70)
+        
+        # ============================================
+        # مرحله 1: ناشناس‌سازی
+        # ============================================
+        logger.info("📝 مرحله 1: ناشناس‌سازی...")
+        
+        if method == "regex":
+            anonymized_text, _ = anonymizer.anonymize_with_regex(input_text)
+        elif method == "cerebras":
+            anonymized_text, _ = anonymizer.anonymize_with_cerebras(input_text)
+        else:  # combined
+            anonymized_text, _ = anonymizer.anonymize_combined(input_text)
+        
+        logger.info(f"✅ ناشناس‌سازی: {len(anonymized_text)} کاراکتر")
+        
+        # ============================================
+        # مرحله 2: تحلیل ChatGPT
+        # ============================================
+        logger.info("🤖 مرحله 2: تحلیل ChatGPT...")
+        gpt_response = anonymizer.analyze_with_gpt(anonymized_text)
+        logger.info(f"✅ تحلیل: {len(gpt_response)} کاراکتر")
+        
+        # ============================================
+        # مرحله 3: بازگردانی
+        # ============================================
+        logger.info("🔄 مرحله 3: بازگردانی...")
+        restored_text = anonymizer.restore_text(anonymized_text)
+        logger.info("✅ بازگردانی کامل")
+        
+        # ============================================
+        # مرحله 4: جدول نگاشت
+        # ============================================
+        logger.info("📋 مرحله 4: جدول نگاشت...")
+        mapping_str = anonymizer.get_mapping_table_md()
+        logger.info(f"✅ {len(anonymizer.mapping_table)} موجودیت")
+        
+        logger.info("=" * 70)
+        logger.info("✅ تمام مراحل کامل!")
+        logger.info("=" * 70)
+        
+        return anonymized_text, gpt_response, restored_text, mapping_str
+        
+    except Exception as e:
+        logger.error(f"❌ خطا: {str(e)}", exc_info=True)
+        return "", f"❌ خطا: {str(e)}", "", ""
+
+def clear_all():
+    """پاک کردن همه"""
+    return "", "", "", ""
+
+# Gradio Interface
+css_rtl = """
+.input-box { direction: rtl; text-align: right; }
+.textbox textarea { direction: rtl; text-align: right; font-family: 'Tahoma', serif; }
+"""
+
+with gr.Blocks(title="سیستم ناشناس‌سازی متون", theme=gr.themes.Soft(), css=css_rtl) as app:
+    
+    gr.Markdown("# 🔐 سیستم ناشناس‌سازی متون مالی فارسی", elem_classes="input-box")
+    gr.Markdown("#### استخراج و ناشناس‌سازی موجودیت‌های حساس", elem_classes="input-box")
+    
+    # ============================================
+    # صفحه اول: ورودی (راست) + دکمه‌ها (چپ)
+    # ============================================
+    with gr.Row():
+        # سمت راست: متن ورودی (بزرگ‌تر)
+        with gr.Column(scale=3):
+            input_text = gr.Textbox(
+                lines=14,
+                placeholder="متن مالی/خبری را وارد کنید...",
+                label="📝 متن ورودی",
+                elem_classes="textbox"
+            )
+        
+        # سمت چپ: دکمه‌ها و تنظیمات
+        with gr.Column(scale=1):
+            gr.Markdown("### ⚙️ تنظیمات", elem_classes="input-box")
+            
+            method = gr.Radio(
+                ["regex", "cerebras", "combined"],
+                value="combined",
+                label="🔧 روش پردازش",
+                elem_classes="input-box"
+            )
+            
+            gr.Markdown("---")
+            
+            with gr.Column():
+                process_btn = gr.Button(
+                    "▶️ پردازش",
+                    variant="primary",
+                    size="lg"
+                )
+                
+                clear_btn = gr.Button(
+                    "🗑️ پاک کردن",
+                    variant="stop",
+                    size="lg"
+                )
+    
+    # ============================================
+    # صفحه دوم: 3 باکس نتایج (وسط)
+    # ============================================
+    gr.Markdown("---")
+    gr.Markdown("## 📊 نتایج پردازش", elem_classes="input-box")
+    
+    with gr.Row():
+        # باکس 1: متن ناشناس‌شده (راست)
+        with gr.Column(scale=1):
+            anonymized_text = gr.Textbox(
+                lines=12,
+                label="🔒 متن ناشناس‌شده",
+                interactive=False,
+                elem_classes="textbox"
+            )
+        
+        # باکس 2: تحلیل ChatGPT (وسط)
+        with gr.Column(scale=1):
+            gpt_analysis = gr.Textbox(
+                lines=12,
+                label="🤖 تحلیل ChatGPT",
+                interactive=False,
+                elem_classes="textbox"
+            )
+        
+        # باکس 3: متن بازگردانی شده (چپ)
+        with gr.Column(scale=1):
+            restored_text = gr.Textbox(
+                lines=12,
+                label="✅ متن بازگردانی شده",
+                interactive=False,
+                elem_classes="textbox"
+            )
+    
+    # ============================================
+    # پایین: جدول نگاشت
+    # ============================================
+    gr.Markdown("---")
+    
+    mapping_table = gr.Textbox(
+        lines=10,
+        label="📋 جدول نگاشت",
+        interactive=False,
+        elem_classes="textbox"
+    )
+    
+    # ============================================
+    # Event Handlers
+    # ============================================
+    process_btn.click(
+        fn=process,
+        inputs=[input_text, method],
+        outputs=[anonymized_text, gpt_analysis, restored_text, mapping_table]
+    )
+    
+    clear_btn.click(
+        fn=clear_all,
+        outputs=[input_text, anonymized_text, gpt_analysis, restored_text, mapping_table]
+    )
+
+if __name__ == "__main__":
+    print("\n" + "=" * 70)
+    print("🚀 سیستم ناشناس‌سازی متون در حال راه‌اندازی...")
+    print("=" * 70)
+    print("\n📋 نحوه استفاده:\n")
+    print("1. CEREBRAS_API_KEY و OPENAI_API_KEY را تنظیم کنید (اختیاری)")
+    print("2. http://localhost:7860 را باز کنید")
+    print("3. متن را وارد کنید")
+    print("4. روش را انتخاب کنید (توصیه: ترکیبی)")
+    print("5. 'پردازش' را کلیک کنید\n")
+    print("روش‌های دستیس:")
+    print("  ✅ regex: سریع، بدون API")
+    print("  ✅ cerebras: دقیق، با API Cerebras")
+    print("  ✅ combined: بهترین (ترکیبی)\n")
+    print("=" * 70 + "\n")
+    
+    app.launch(
+        server_name="0.0.0.0",
+        server_port=7860,
+        share=False,
+        show_error=True
+    )