Upload app_rtl_fa_enhanced_FINAL.py

app_rtl_fa_enhanced_FINAL.py

@@ -0,0 +1,576 @@
+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 Cerebras Llama 3.3-70B"""
+        return """شما یک «ناشناس‌ساز متون مالی فارسی پیشرفته» هستید. وظیفه‌تان:
+1. استخراج دقیق تمام موجودیت‌های حساس
+2. Entity Linking: ربط دادن نام‌های مختلف به یک موجودیت
+3. نگاشت ثابت تمام موجودیت‌ها
+4. ناشناس‌سازی دقیق و کامل
+
+## **📋 قوانین CRITICAL برای Entity Linking**
+
+### **1. ENTITY LINKING برای PERSONS (اشخاص)**
+
+#### **قانون اول: نام کامل = معرف اصلی**
+اگر "سروش خسروی" = person-01 شود:
+- "سروش خسروی" → person-01 ✅
+- "خسروی" تنهایی → person-01 ✅ (نام خانوادگی)
+- "سروش" تنهایی → person-01 ✅ (نام کوچک)
+- "او" / "وی" / "ایشان" → person-01 ✅ (ضمیر)
+- "مهندس خسروی" → person-01 ✅ (عنوان + نام خانوادگی)
+
+#### **قانون دوم: هیچ نام خانوادگی/کوچک تنهایی را رها نکن**
+✅ صحیح: "سروش خسروی در برنامه. خسروی گفت..." → هر دو را person-01
+❌ غلط: فقط خسروی را ناشناس کردن
+
+#### **قانون سوم: الگوهای شامل نام**
+اگر "سروش خسروی" = person-01، همه اینها = person-01:
+- "سروش خسروی"
+- "خسروی"
+- "سروش"
+- "مهندس خسروی"
+- "رئیس خسروی"
+- "وی" / "او" / "ایشان"
+
+#### **قانون چهارم: ترتیب اولویت**
+1. نام کامل: "سروش خسروی" → person-01
+2. نام خانوادگی: "خسروی" → person-01
+3. نام کوچک: "سروش" → person-01
+4. عنوان + نام: "مهندس خسروی" → person-01
+5. ضمیرهای اشاره: "وی" → person-01
+
+### **2. ENTITY LINKING برای COMPANIES (شرکت‌ها)**
+
+#### **قانون اول: نام کامل = معرف اصلی**
+اگر "پتروشیمی غدیر (ماهشهر)" = company-01 شود:
+- "پتروشیمی غدیر (ماهشهر)" → company-01 ✅
+- "پتروشیمی غدیر" → company-01 ✅
+- "غدیر" → company-01 ✅
+- "این شرکت" (در فقره بعد) → company-01 ✅
+- "شرکت" (در زمینه روشن) → company-01 ✅
+
+#### **قانون دوم: نام‌های اختصاری**
+اگر "نماد سبهان" = company-02:
+- "نماد سبهان" → نماد company-02 ✅
+- "سبهان" → company-02 ✅
+- "نماد" تنهایی (در متن روشن) → company-02 ✅
+
+### **3. ENTITY LINKING برای AMOUNTS (مقادیر مالی)**
+
+#### **قانون اول: واحد یکسان = یک موجودیت**
+✅ صحیح: "142 میلیارد تومان" → amount-01 | "142" دوباره → amount-01
+❌ غلط: "142" دوباره → amount-02 (NEW - غلط!)
+
+#### **قانون دوم: واحد متفاوت = موجودیت مختلف**
+"142 میلیارد تومان" → amount-01
+"153,194 تن" → amount-02 (واحد متفاوت است)
+
+#### **قانون سوم: فرمت‌های مختلف عدد یکسان**
+✅ صحیح: "142 میلیارد" → amount-01 | "۱۴۲ میلیارد" → amount-01
+❌ غلط: دو موجودیت متفاوت برای یک عدد
+
+### **4. ENTITY LINKING برای PERCENTS (درصدها)**
+
+#### **قانون اول: مقدار و واحد یکسان**
+"21 درصد" → percent-01
+"21%" یا "۲۱ درصدی" → percent-01 ✅
+"45 درصد" → percent-02 ✅ (متفاوت است)
+
+#### **قانون دوم: درصد در سیاق‌های مختلف**
+"رشد 21 درصدی" → percent-01
+"افزایش 21 درصد" → percent-01 ✅ (همان درصد)
+
+## **🔍 الگوریتم STEP-BY-STEP**
+
+### **مرحله 1: استخراج نخستین**
+تمام موجودیت‌های کامل را بدون linked کردن استخراج کن
+
+### **مرحله 2: Entity Linking**
+برای هر موجودیت تام:
+- نام خانوادگی استخراج کن (اگر موجود باشد)
+- نام کوچک استخراج کن (اگر موجود باشد)
+- در تمام متن جستجو کن
+- تمام تکرارها = یک موجودیت
+
+### **مرحله 3: نگاشت نهایی**
+برای هر موجودیت اصلی، تمام linked forms را ثبت کن
+
+### **مرحله 4: ناشناس‌سازی**
+جایگزین کن:
+1. نام‌های کامل اول
+2. سپس نام‌های جزئی
+3. سپس ضمیرهایی که الحاق شده‌اند
+
+## **✅ CRITICAL DO's:**
+✅ "خسروی" بعد از "سروش خسروی" → person-01
+✅ "غدیر" بعد از "پتروشیمی غدیر" → company-01
+✅ "این شرکت" در فقره بعد از ذکر شرکت → company-01
+✅ "وی" که اشاره به شخص → person-01
+✅ تمام تکرار نام خانوادگی → همان person
+✅ نام کامل مختلف → person متفاوت
+
+## **❌ CRITICAL DON'Ts:**
+❌ نام خانوادگی تنهایی را رها کردن
+❌ نام کوچک تنهایی را رها کردن
+❌ ضمیرهای مرتبط را رها کردن
+❌ فرض کردن اینکه "خسروی" مختلف است
+❌ نادیده گرفتن زمینه برای "این شرکت"
+❌ دو بار شماره‌گذاری موجودیت یکسان
+
+## **⚠️ قوانین اندیس‌گذاری:**
+- شرکت‌ها: company-01, company-02, company-03, ... (پیوسته و بدون گپ)
+- اشخاص: person-01, person-02, person-03, ... (پیوسته و بدون گپ)
+- مقادیر: amount-01, amount-02, amount-03, ... (پیوسته و بدون گپ)
+- درصدها: percent-01, percent-02, percent-03, ... (پیوسته و بدون گپ)
+- تاریخها: date-01, date-02, date-03, ... (پیوسته و بدون گپ)
+
+## **موارد حفظ شده:**
+- عناوین شغلی: مدیرعامل، رئیس کل، مدیرکل، سرپرست
+- واحدها: میلیارد تومان، هزار ریال، دلار، تن، دستگاه
+- کلمات توضیحی: "شرکت"، "بانک"، "گروه"، "سازمان"
+
+## **ممنوع:**
+❌ کلمات انگلیسی اضافی
+❌ تغییر ساختار جمله
+❌ حذف یا اضافه کردن کلمات
+❌ نام خانوادگی یا نام کوچک تنهایی را بدون linking رها کردن
+
+**فقط متن ناشناس‌شده را برگردان - هیچ توضیح اضافی نیاز نیست."""
+    
+    def get_user_prompt(self, text: str) -> str:
+        """تشکیل پرامپت کاربر قوی‌تر برای Entity Linking دقیق"""
+        return f"""متن مالی فارسی زیر را با دقت تحلیل کنید و تمام موجودیت‌های حساس را ناشناس کنید.
+
+متن:
+{text}
+
+**دستورات CRITICAL برای Entity Linking:**
+
+### **برای اشخاص (PERSONS):**
+1️⃣ اگر "سروش خسروی" = person-01 شد:
+   - نام خانوادگی تنهایی "خسروی" → person-01
+   - نام کوچک تنهایی "سروش" → person-01
+   - ضمیرهای "وی"، "او"، "ایشان" → person-01
+   - "مهندس خسروی" یا هر ترکیب → person-01
+
+2️⃣ هیچ نام خانوادگی یا نام کوچک تنهایی را رها نکن
+
+### **برای شرکت‌ها (COMPANIES):**
+1️⃣ اگر "پتروشیمی غدیر" = company-01 شد:
+   - نام کوتاه "غدیر" → company-01
+   - "این شرکت" در فقره بعد → company-01
+   - "شرکت" در زمینه روشن → company-01
+
+2️⃣ تمام نام‌های مختلف برای یک شرکت را linked کن
+
+### **برای مقادیر (AMOUNTS):**
+1️⃣ اگر "142 میلیارد تومان" = amount-01:
+   - "142 میلیارد" یا صرفاً "142" = amount-01
+   - "۱۴۲ میلیارد" = amount-01 (فرمت متفاوت، عدد یکسان)
+
+2️⃣ واحد متفاوت = موجودیت متفاوت
+
+### **برای درصدها (PERCENTS):**
+1️⃣ اگر "21 درصد" = percent-01:
+   - "21%" = percent-01
+   - "۲۱ درصدی" = percent-01
+   - "رشد 21 درصدی" = percent-01
+
+**‌خروجی:**
+ناشناس‌سازی متن با رعایت تمام قوانین Entity Linking فوق.
+
+**مهم:**
+✅ تمام نام‌های جزئی (نام خانوادگی، نام کوچک) linked باشند
+✅ تمام ضمیرهای مرتبط linked باشند
+✅ تمام نام‌های مختلف یک شرکت linked باشند
+✅ مقادیر و درصدهای یکسان (با واحد/فرمت یکسان) = یک موجودیت
+
+❌ هیچ نام خانوادگی تنهایی رها نشود
+❌ هیچ ضمیر مرتبط رها نشود
+❌ هیچ نام اختصاری شرکت رها نشود
+
+**فقط متن ناشناس‌شده را برگردان - توضیح اضافی نده!**"""
+
+    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"""
+    empty_mapping = "### 📋 جدول نگاشت\nدر انتظار پردازش..."
+    return "", "", "", "", empty_mapping
+
+# رابط Gradio - کاملاً فارسی‌زبان و RTL
+css_rtl = """
+#input_text textarea { direction: rtl; text-align: right; }
+#anonymized_text textarea { direction: rtl; text-align: right; }
+#gpt_response textarea { direction: rtl; text-align: right; }
+#restored_text textarea { direction: rtl; text-align: right; }
+"""
+
+with gr.Blocks(title="سیستم ناشناس‌سازی متون", theme=gr.themes.Soft(), css=css_rtl) as app:
+    
+    gr.Markdown("# 🔐 سیستم ناشناس‌سازی متون مالی فارسی")
+    gr.Markdown("#### استخراج موجودیت‌های حساس و ناشناس‌سازی آنها")
+    
+    with gr.Row():
+        # بلوک 1: متن ورودی (سمت راست)
+        with gr.Column(scale=2):
+            input_text = gr.Textbox(
+                lines=12,
+                placeholder="متن مالی/خبری را وارد کنید...",
+                label="📝 متن ورودی",
+                elem_id="input_text"
+            )
+        
+        # دکمه‌های کنترل
+        with gr.Column(scale=1):
+            gr.HTML("<div style='text-align: center; margin-bottom: 10px;'></div>")
+            process_btn = gr.Button("🔄 پردازش", variant="primary", size="lg")
+            clear_btn = gr.Button("🗑️ پاک کردن", variant="stop", size="lg")
+    
+    # بلوک 2: متن ناشناس‌سازی شده
+    with gr.Row():
+        with gr.Column(scale=1):
+            anonymized_text = gr.Textbox(
+                lines=10,
+                label="🔒 متن ناشناس‌شده",
+                interactive=False,
+                elem_id="anonymized_text"
+            )
+        
+        # بلوک 3: پاسخ ChatGPT
+        with gr.Column(scale=1):
+            gpt_response = gr.Textbox(
+                lines=10,
+                label="🤖 تحلیل ChatGPT",
+                interactive=False,
+                elem_id="gpt_response"
+            )
+        
+        # بلوک 4: متن بازگردانی شده (سمت چپ)
+        with gr.Column(scale=1):
+            restored_text = gr.Textbox(
+                lines=10,
+                label="✅ متن بازگردانی شده",
+                interactive=False,
+                elem_id="restored_text"
+            )
+    
+    # بلوک 5: جدول نگاشت به صورت مارکداون
+    with gr.Row():
+        with gr.Column():
+            mapping = gr.Markdown(
+                value="### 📋 جدول نگاشت\nدر انتظار پردازش...",
+                label="📋 جدول نگاشت"
+            )
+    
+    # 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("🚀 سیستم ناشناس‌سازی متون در حال راه‌اندازی...")
+    app.launch(
+        server_name="0.0.0.0",
+        server_port=7860,
+        share=False,
+        show_error=True
+    )