Upload app_rtl_fa_final_UPDATED (6).py

app_rtl_fa_final_UPDATED (6).py

@@ -0,0 +1,478 @@
+import gradio as gr
+import re
+import os
+import requests
+import json
+import logging
+from typing import Dict, List, Tuple
+from chatgpt_sender import ChatGPTSender  # ✅ import ماژول جدید
+
+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}
+        
+        # ✅ ایجاد instance از ChatGPTSender
+        self.gpt_sender = ChatGPTSender(api_key=self.gpt_key, model="gpt-4o-mini")
+        
+        logger.info("✅ Anonymizer Advanced مقداردهی شد")
+    
+
+    def anonymize_with_cerebras(self, text: str) -> Tuple[str, Dict]:
+        """ناشناس‌سازی با Cerebras - دریافت mapping از مدل"""
+        logger.info("🧠 روش Cerebras...")
+        
+        if not self.cerebras_key:
+            logger.error("❌ Cerebras API Key موجود نیست")
+            raise ValueError("Cerebras API Key مورد نیاز است")
+        
+        try:
+            # مرحله 1: ناشناس‌سازی متن
+            prompt1 = 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"""
+            
+            response1 = 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": prompt1}],
+                    "max_tokens": 4096,
+                    "temperature": 0.1
+                },
+                timeout=60
+            )
+            
+            if response1.status_code != 200:
+                logger.error(f"❌ Cerebras Error: {response1.status_code}")
+                raise Exception(f"Cerebras API Error: {response1.status_code}")
+            
+            anonymized_text = response1.json()['choices'][0]['message']['content'].strip()
+            logger.info("✅ Cerebras: ناشناس‌سازی موفق")
+            
+            # مرحله 2: استخراج mapping از مدل
+            prompt2 = f"""متن اصلی:
+{text}
+
+متن ناشناس شده:
+{anonymized_text}
+
+لطفاً یک جدول mapping برای همه توکن‌های ناشناس ایجاد کن.
+برای هر توکن، متن اصلی کامل آن را مشخص کن.
+
+**مهم:** 
+- برای person-XX: نام کامل شخص (مثلاً "علی احمدی")
+- برای company-XX: نام کامل شرکت/سازمان (مثلاً "شرکت پتروشیمی")
+- برای amount-XX: عدد + واحد (مثلاً "80 هزار تومان" یا "50 میلیارد ریال")
+- برای percent-XX: عدد + کلمه "درصد" (مثلاً "40 درصد" نه فقط "40")
+
+خروجی را به این فرمت JSON بده (فقط JSON، بدون توضیح اضافی):
+{{
+  "person-01": "متن اصلی کامل",
+  "company-01": "متن اصلی کامل",
+  "amount-01": "متن اصلی کامل با واحد",
+  "percent-01": "عدد + درصد",
+  ...
+}}"""
+            
+            response2 = 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": prompt2}],
+                    "max_tokens": 2048,
+                    "temperature": 0.1
+                },
+                timeout=60
+            )
+            
+            if response2.status_code == 200:
+                mapping_text = response2.json()['choices'][0]['message']['content'].strip()
+                
+                # پاک‌سازی و parse کردن JSON
+                # حذف markdown code blocks اگر وجود داشته باشه
+                mapping_text = mapping_text.replace('```json', '').replace('```', '').strip()
+                
+                try:
+                    self.mapping_table = json.loads(mapping_text)
+                    
+                    # پست-پروسسینگ: اصلاح mapping برای percent ها
+                    self._fix_percent_mapping()
+                    
+                    # ساخت reverse mapping
+                    self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
+                    logger.info(f"✅ Mapping استخراج شد: {len(self.mapping_table)} موجودیت")
+                except json.JSONDecodeError:
+                    logger.warning("⚠️ خطا در parse کردن JSON mapping - استفاده از روش fallback")
+                    self._extract_mapping_from_text(text, anonymized_text)
+            else:
+                logger.warning("⚠️ خطا در دریافت mapping - استفاده از روش fallback")
+                self._extract_mapping_from_text(text, anonymized_text)
+            
+            return anonymized_text, self.mapping_table
+                
+        except Exception as e:
+            logger.error(f"❌ Cerebras Exception: {e}")
+            raise
+    
+    def _fix_percent_mapping(self):
+        """اصلاح mapping برای درصدها و مقادیر - اضافه کردن واحدها اگر فقط عدد باشد"""
+        for token, value in self.mapping_table.items():
+            value_str = str(value).strip()
+            
+            if token.startswith('percent-'):
+                # چک کنیم آیا کلمه "درصد" یا "%" در value هست
+                if not re.search(r'(درصد|%|درصدی)', value_str):
+                    # فقط عدد هست، کلمه "درصد" رو اضافه کن
+                    self.mapping_table[token] = f"{value_str} درصد"
+                    logger.info(f"✅ اصلاح {token}: '{value_str}' → '{value_str} درصد'")
+            
+            elif token.startswith('amount-'):
+                # چک کنیم آیا واحد پولی در value هست
+                if not re.search(r'(میلیارد|میلیون|هزار|تومان|ریال|دلار|یورو|تن)', value_str):
+                    # فقط عدد هست، احتمالاً باید واحد اضافه بشه
+                    # اما نمی‌دونیم چه واحدی، پس warning بده
+                    logger.warning(f"⚠️ {token}: فقط عدد '{value_str}' - واحد مشخص نیست")
+
+    def _extract_mapping_from_text(self, original: str, anonymized: str):
+        """استخراج mapping از متن‌های اصلی و ناشناس شده - نسخه بهبود یافته"""
+        
+        # استخراج همه توکن‌های ناشناس از متن ناشناس‌سازی شده
+        all_tokens = []
+        for entity_type in ['person', 'company', 'amount', 'percent']:
+            tokens = re.findall(f'{entity_type}-\\d+', anonymized)
+            all_tokens.extend([(t, entity_type) for t in tokens])
+        
+        # حذف تکراری‌ها و مرتب‌سازی
+        all_tokens = sorted(set(all_tokens), key=lambda x: (x[1], int(x[0].split('-')[1])))
+        
+        # الگوهای موجودیت در متن اصلی
+        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+(?:\.\d+)?\s*(?:میلیارد|میلیون|هزار|تومان|ریال|دلار|یورو|تن)',
+            'percent': r'\d+(?:\.\d+)?\s*(?:درصد|%|درصدی)',
+        }
+        
+        # استخراج موجودیت‌های اصلی
+        original_entities = {}
+        for entity_type, pattern in patterns.items():
+            matches = list(re.finditer(pattern, original))
+            original_entities[entity_type] = [m.group().strip() for m in matches]
+        
+        # نگاشت توکن‌ها به موجودیت‌های اصلی
+        for token, entity_type in all_tokens:
+            if entity_type in original_entities and original_entities[entity_type]:
+                # گرفتن شماره توکن (مثلاً از person-01 عدد 1 رو میگیریم)
+                token_num = int(token.split('-')[1]) - 1
+                
+                if token_num < len(original_entities[entity_type]):
+                    original_text = original_entities[entity_type][token_num]
+                    self.mapping_table[token] = original_text
+                    self.reverse_mapping[original_text] = token
+                else:
+                    # اگر شماره توکن بیشتر از تعداد موجودیت‌ها بود
+                    # از آخرین موجودیت استفاده کن
+                    original_text = original_entities[entity_type][-1]
+                    if token not in self.mapping_table:
+                        self.mapping_table[token] = original_text
+                        self.reverse_mapping[original_text] = token
+    
+    def analyze_with_gpt(self, anonymized_text: str, analysis_prompt: str = None) -> str:
+        """
+        ✅ اصلاح شده - استفاده از ماژول ChatGPTSender
+        اجرای پرامپت‌های درون متن ناشناس‌سازی شده با ChatGPT
+        """
+        logger.info("🤖 ChatGPT اجرای پرامپت...")
+        
+        # ✅ اگر پرامپتی نیست، فقط متن ناشناس‌سازی شده برگردان
+        if not analysis_prompt or analysis_prompt.strip() == "":
+            logger.info("📝 بدون دستورات - فقط متن ناشناس‌سازی شده برگردانده می‌شود")
+            return anonymized_text
+        
+        if not self.gpt_key:
+            logger.warning("⚠️ GPT API Key نیست")
+            return "❌ API Key موجود نیست"
+        
+        try:
+            # متن ارسالی شامل متن ناشناس‌سازی شده + دستورات کاربر
+            user_message = f"""متن ناشناس‌سازی شده:
+---
+{anonymized_text}
+---
+
+دستورات:
+{analysis_prompt}
+
+توکن‌های ناشناس را حتماً حفظ کن. فقط نتیجه اجرای دستورات را برگردان."""
+            
+            logger.info(f"📋 متن ارسالی به ChatGPT:\n{user_message}\n")
+            
+            # ✅ استفاده از ChatGPTSender به جای requests.post
+            system_msg = """شما دستیار اجرای دستورات روی متون ناشناس‌سازی شده‌اید.
+توکن‌های ناشناس (person-01, company-01, amount-01, percent-01) را حتماً حفظ کن.
+فقط دستورات دادشده را اجرا کن."""
+            
+            gpt_response = self.gpt_sender.send(
+                text=user_message,
+                system_msg=system_msg,
+                max_tokens=4096,
+                temperature=0.3,
+                lang='fa'
+            )
+            
+            # بررسی برای خطاهای API
+            if gpt_response.startswith("❌"):
+                logger.error(f"❌ GPT Error: {gpt_response}")
+                return gpt_response
+            
+            logger.info("✅ ChatGPT: دستورات اجرا شدند")
+            logger.info(f"📤 پاسخ ChatGPT:\n{gpt_response}\n")
+            return gpt_response
+                
+        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, analysis_prompt: str = None):
+    """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: Cerebras")
+        logger.info("=" * 70)
+        
+        # ============================================
+        # مرحله 1: ناشناس‌سازی
+        # ============================================
+        logger.info("📝 مرحله 1: ناشناس‌سازی...")
+        
+        anonymized_text, _ = anonymizer.anonymize_with_cerebras(input_text)
+        
+        logger.info(f"✅ ناشناس‌سازی: {len(anonymized_text)} کاراکتر")
+        
+        # ============================================
+        # مرحله 2: ChatGPT با متن ناشناس‌سازی شده + دستورات
+        # ============================================
+        logger.info("🤖 مرحله 2: ChatGPT...")
+        gpt_response = anonymizer.analyze_with_gpt(anonymized_text, analysis_prompt)
+        logger.info(f"✅ ChatGPT: {len(gpt_response)} کاراکتر")
+        
+        # ============================================
+        # مرحله 3: بازگردانی پاسخ ChatGPT
+        # ============================================
+        logger.info("🔄 مرحله 3: بازگردانی...")
+        restored_text = anonymizer.restore_text(gpt_response)
+        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 restored_text, gpt_response, anonymized_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")
+    
+    # ============================================
+    # صفحه اول: دکمه‌ها (راست) + ورودی (چپ)
+    # ============================================
+    with gr.Row():
+        # سمت راست: دکمه‌ها و دستورات
+        with gr.Column(scale=1):
+            analysis_prompt = gr.Textbox(
+                lines=8,
+                placeholder="",
+                label="📋 دستورات ChatGPT (اختیاری)",
+                elem_classes="textbox"
+            )
+            
+            gr.Markdown("---")
+            
+            with gr.Column():
+                process_btn = gr.Button(
+                    "▶️ پردازش",
+                    variant="primary",
+                    size="lg"
+                )
+                
+                clear_btn = gr.Button(
+                    "🗑️ پاک کردن",
+                    variant="stop",
+                    size="lg"
+                )
+        
+        # سمت چپ: 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"
+            )
+    
+    # ============================================
+    # صفحه دوم: 3 باکس نتایج (وسط)
+    # ============================================
+    gr.Markdown("---")
+    gr.Markdown("## 📊 نتایج پردازش", elem_classes="input-box")
+    
+    with gr.Row():
+        # باکس 1: متن بازگردانی شده (راست)
+        with gr.Column(scale=1):
+            restored_text = gr.Textbox(
+                lines=12,
+                label="✅ متن بازگردانی شده",
+                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 ناشناس‌شده (چپ)
+        with gr.Column(scale=1):
+            anonymized_text = gr.Textbox(
+                lines=12,
+                label="🔒 متن ناشناس‌شده",
+                interactive=False,
+                elem_classes="textbox"
+            )
+    
+    # ============================================
+    # پایین: جدول نگاشت (Markdown)
+    # ============================================
+    gr.Markdown("---")
+    
+    mapping_table = gr.Markdown(
+        value="### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده",
+        label="📋 جدول نگاشت",
+        elem_classes="input-box"
+    )
+    
+    # ============================================
+    # Event Handlers
+    # ============================================
+    process_btn.click(
+        fn=process,
+        inputs=[input_text, analysis_prompt],
+        outputs=[restored_text, gpt_analysis, anonymized_text, mapping_table]
+    )
+    
+    clear_btn.click(
+        fn=clear_all,
+        outputs=[input_text, analysis_prompt, restored_text, gpt_analysis, anonymized_text, mapping_table]
+    )
+
+if __name__ == "__main__":
+    print("=" * 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")
+    print("2. http://localhost:7860 را باز کنید")
+    print("3. متن را وارد کنید")
+    print("4. 'پردازش' را کلیک کنید\n")
+    print("روش استفاده شده: Cerebras (Llama 3.3-70B)")
+    print("=" * 70 + "\n")
+    
+    app.launch(
+        server_name="0.0.0.0",
+        server_port=7860,
+        share=False,
+        show_error=True
+    )