src/app.py

import streamlit as st
import transformers
from transformers import AutoTokenizer, AutoModelForTokenClassification
import torch
from html import escape
import os

# 修复权限问题
os.environ['STREAMLIT_CONFIG_DIR'] = os.getcwd()
os.environ['STREAMLIT_GATHER_USAGE_STATS'] = 'false'
# 设置页面
st.set_page_config(page_title="NER 实体识别", page_icon="🔍", layout="wide")

# 标题和描述
st.title("🔍 命名实体识别 (NER)")
st.markdown("使用 `dslim/bert-base-NER` 模型识别文本中的实体并分类")

# 初始化模型
@st.cache_resource
def load_model():
    tokenizer = AutoTokenizer.from_pretrained("dslim/bert-base-NER")
    model = AutoModelForTokenClassification.from_pretrained("dslim/bert-base-NER")
    return tokenizer, model

# 加载模型
with st.spinner("正在加载模型，请稍候..."):
    try:
        tokenizer, model = load_model()
        st.success("模型加载成功！")
    except Exception as e:
        st.error(f"加载模型时出错: {e}")
        st.stop()

# 实体类型颜色映射
entity_colors = {
    'PER': '#FF6B6B',  # 人物 - 红色
    'ORG': '#4ECDC4',  # 组织 - 青绿色
    'LOC': '#FFD166',  # 地点 - 黄色
    'MISC': '#9E6FDC'  # 其他 - 紫色
}

# 实体类型描述
entity_descriptions = {
    'PER': '人物 (Person)',
    'ORG': '组织 (Organization)',
    'LOC': '地点 (Location)',
    'MISC': '其他 (Miscellaneous)'
}

# 显示实体类型说明
with st.expander("实体类型说明"):
    cols = st.columns(4)
    for i, (key, value) in enumerate(entity_descriptions.items()):
        color = entity_colors.get(key, '#CCCCCC')
        cols[i].markdown(f"<span style='background-color:{color}; padding:5px; border-radius:5px; color:white;'>{key}</span> - {value}", unsafe_allow_html=True)

# 输入文本
default_text = "My name is Clara and I live in Berkeley, California."
text_input = st.text_area("输入要分析的文本:", value=default_text, height=100)

# 处理按钮
if st.button("识别实体", type="primary"):
    if not text_input.strip():
        st.warning("请输入一些文本进行分析")
    else:
        with st.spinner("正在分析文本..."):
            try:
                # 对输入文本进行编码
                inputs = tokenizer(text_input, return_tensors="pt", truncation=True, max_length=512)
                
                # 使用模型进行预测
                outputs = model(**inputs)
                
                # 获取预测结果
                predictions = torch.argmax(outputs.logits, dim=-1)[0]
                
                # 解码预测结果
                predicted_labels = [model.config.id2label[t.item()] for t in predictions]
                tokens = tokenizer.convert_ids_to_tokens(inputs["input_ids"][0])
                
                # 处理输出
                current_entity = None
                current_tokens = []
                results = []
                
                for token, label in zip(tokens, predicted_labels):
                    # 跳过特殊token
                    if token in ['[CLS]', '[SEP]']:
                        continue
                    
                    # 处理子词token
                    if token.startswith('##'):
                        token = token[2:]
                    
                    # 处理实体标签
                    if label != 'O':
                        entity_type = label.split('-')[-1]
                        
                        if label.startswith('B-'):
                            # 如果是新实体的开始
                            if current_entity:
                                results.append((' '.join(current_tokens), current_entity))
                            current_entity = entity_type
                            current_tokens = [token]
                        else:
                            # 继续当前实体
                            current_tokens.append(token)
                    else:
                        # 如果不是实体
                        if current_entity:
                            results.append((' '.join(current_tokens), current_entity))
                            current_entity = None
                            current_tokens = []
                
                # 添加最后一个实体
                if current_entity:
                    results.append((' '.join(current_tokens), current_entity))
                
                # 显示结果
                st.subheader("分析结果")
                
                # 创建两列布局
                col1, col2 = st.columns([2, 1])
                
                with col1:
                    st.markdown("**文本中的实体:**")
                    
                    # 高亮显示文本中的实体
                    highlighted_text = text_input
                    for entity, e_type in results:
                        color = entity_colors.get(e_type, '#CCCCCC')
                        highlighted_entity = f"<mark style='background-color: {color}; padding: 2px 4px; border-radius: 4px;'>{entity} [{e_type}]</mark>"
                        highlighted_text = highlighted_text.replace(entity, highlighted_entity)
                    
                    st.markdown(highlighted_text, unsafe_allow_html=True)
                
                with col2:
                    st.markdown("**检测到的实体列表:**")
                    
                    if not results:
                        st.info("未检测到任何实体")
                    else:
                        # 按类型分组实体
                        entities_by_type = {}
                        for entity, e_type in results:
                            if e_type not in entities_by_type:
                                entities_by_type[e_type] = []
                            if entity not in entities_by_type[e_type]:
                                entities_by_type[e_type].append(entity)
                        
                        # 显示每种类型的实体
                        for e_type, entities in entities_by_type.items():
                            color = entity_colors.get(e_type, '#CCCCCC')
                            st.markdown(f"<span style='background-color:{color}; padding:2px 6px; border-radius:4px; color:white;'>{e_type}</span>", unsafe_allow_html=True)
                            for entity in entities:
                                st.markdown(f"- {entity}")
                
                # 显示模型信息
                with st.expander("模型信息"):
                    st.markdown("""
                    **模型:** dslim/bert-base-NER  
                    **描述:** 基于BERT的命名实体识别模型，能够识别人物(PER)、组织(ORG)、地点(LOC)和其他(MISC)实体。
                    """)
                    
            except Exception as e:
                st.error(f"分析过程中出错: {e}")

# 添加页脚
st.markdown("---")
st.markdown("使用 🤗 Transformers 和 Streamlit 构建 | 模型: dslim/bert-base-NER")