Update app.py

app.py

@@ -1,5 +1,3 @@
-# app.py
-
 import os
 import openai
 import gradio as gr
@@ -12,55 +10,26 @@ from langchain_community.chat_models import ChatOpenAI
 import shutil  # 用於文件複製
 import logging
 
-# 設置日誌配置
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
 # 獲取 OpenAI API 密鑰（初始不使用固定密鑰）
 api_key_env = os.getenv("OPENAI_API_KEY")
 if api_key_env:
     openai.api_key = api_key_env
-    logger.info("OpenAI API 密鑰已設置。")
 else:
-    logger.info("未設置固定的 OpenAI API 密鑰。將使用使用者提供的密鑰。")
+    print("未設置固定的 OpenAI API 密鑰。將使用使用者提供的密鑰。")
 
 # 確保向量資料庫目錄存在且有寫入權限
 VECTORDB_DIR = os.path.abspath("./data")
 os.makedirs(VECTORDB_DIR, exist_ok=True)
-os.chmod(VECTORDB_DIR, 0o755)  # 設置適當的權限
-logger.info(f"VECTORDB_DIR set to: {VECTORDB_DIR}")
-
-# 定義測試 PDF 加載器的函數
-def test_pdf_loader(file_path, loader_type='PyMuPDFLoader'):
-    logger.info(f"Testing PDF loader ({loader_type}) with file: {file_path}")
-    try:
-        if loader_type == 'PyMuPDFLoader':
-            loader = PyMuPDFLoader(file_path)
-        elif loader_type == 'PyPDFLoader':
-            loader = PyPDFLoader(file_path)
-        else:
-            logger.error(f"Unknown loader type: {loader_type}")
-            return
-        loaded_docs = loader.load()
-        if loaded_docs:
-            logger.info(f"Successfully loaded {file_path} with {len(loaded_docs)} documents.")
-            logger.info(f"Document content (first 500 chars): {loaded_docs[0].page_content[:500]}")
-        else:
-            logger.error(f"No documents loaded from {file_path}.")
-    except Exception as e:
-        logger.error(f"Error loading {file_path} with {loader_type}: {e}")
+os.chmod(VECTORDB_DIR, 0o755)
 
 # 定義載入和處理 PDF 文件的函數
 def load_and_process_documents(file_paths, loader_type='PyMuPDFLoader', api_key=None):
     if not api_key:
         raise ValueError("未提供 OpenAI API 密鑰。")
     documents = []
-    logger.info("開始載入上傳的 PDF 文件。")
 
     for file_path in file_paths:
-        logger.info(f"載入 PDF 文件: {file_path}")
         if not os.path.exists(file_path):
-            logger.error(f"文件不存在: {file_path}")
             continue
         try:
             if loader_type == 'PyMuPDFLoader':
@@ -68,28 +37,19 @@ def load_and_process_documents(file_paths, loader_type='PyMuPDFLoader', api_key=
             elif loader_type == 'PyPDFLoader':
                 loader = PyPDFLoader(file_path)
             else:
-                logger.error(f"Unknown loader type: {loader_type}")
                 continue
             loaded_docs = loader.load()
             if loaded_docs:
-                logger.info(f"載入 {file_path} 成功，包含 {len(loaded_docs)} 個文檔。")
-                # 打印第一個文檔的部分內容以確認
-                logger.info(f"第一個文檔內容: {loaded_docs[0].page_content[:500]}")
                 documents.extend(loaded_docs)
-            else:
-                logger.error(f"載入 {file_path} 但未找到任何文檔。")
         except Exception as e:
-            logger.error(f"載入 {file_path} 時出現錯誤: {e}")
+            continue
 
     if not documents:
         raise ValueError("沒有找到任何 PDF 文件或 PDF 文件無法載入。")
-    else:
-        logger.info(f"總共載入了 {len(documents)} 個文檔。")
 
     # 分割長文本
     text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=50)
     documents = text_splitter.split_documents(documents)
-    logger.info(f"分割後的文檔數量: {len(documents)}")
 
     if not documents:
         raise ValueError("分割後的文檔列表為空。請檢查 PDF 文件內容。")
@@ -97,7 +57,6 @@ def load_and_process_documents(file_paths, loader_type='PyMuPDFLoader', api_key=
     # 初始化向量資料庫
     try:
         embeddings = OpenAIEmbeddings(openai_api_key=api_key)  # 使用使用者的 API 密鑰
-        logger.info("初始化 OpenAIEmbeddings 成功。")
     except Exception as e:
         raise ValueError(f"初始化 OpenAIEmbeddings 時出現錯誤: {e}")
 
@@ -107,7 +66,6 @@ def load_and_process_documents(file_paths, loader_type='PyMuPDFLoader', api_key=
             embedding=embeddings,
             persist_directory=VECTORDB_DIR
         )
-        logger.info("初始化 Chroma 向量資料庫成功。")
     except Exception as e:
         raise ValueError(f"初始化 Chroma 向量資料庫時出現錯誤: {e}")
 
@@ -121,8 +79,8 @@ def handle_query(user_message, chat_history, vectordb, api_key):
 
         # 添加角色指令前綴
         preface = """
-指令: 以繁體中文回答問題，200字以內。你是一位專業心理學家與調酒師，專精於 MBTI 人格與經典調酒主題。
-非相關問題，請回應：「目前僅支援 MBTI 分析與經典調酒主題。」。
+指令: 以繁體中文回答問題，200字以內。你是一位勞動法專家，針對員工權益與合同條款等法律問題進行回應。
+非相關問題，請回應：「目前僅支援勞動法相關問題。」。
 """
         query = f"{preface} 查詢內容：{user_message}"
 
@@ -136,15 +94,13 @@ def handle_query(user_message, chat_history, vectordb, api_key):
         # 呼叫模型並處理查詢
         result = pdf_qa.invoke({"question": query, "chat_history": chat_history})
 
-        # 檢查結果並更新聊天歷史
         if "answer" in result:
             chat_history = chat_history + [(user_message, result["answer"])]
         else:
-            chat_history = chat_history + [(user_message, "抱歉，未能獲得有效回應。")]
+            chat_history = chat_history + [(user_message, "抱歉，未能獲得有效回應。")] 
         return chat_history
 
     except Exception as e:
-        logger.error(f"Error in handle_query: {e}")
         return chat_history + [("系統", f"出現錯誤: {str(e)}")]
 
 # 定義保存 API 密鑰的函數
@@ -152,58 +108,27 @@ def save_api_key(api_key, state):
     if not api_key.startswith("sk-"):
         return "請輸入有效的 OpenAI API 密鑰。", state
     state['api_key'] = api_key
-    logger.info("使用者已保存自己的 OpenAI API 密鑰。")
     return "API 密鑰已成功保存。您現在可以上傳 PDF 文件並開始提問。", state
 
 # 定義 Gradio 的處理函數
 def process_files(files, state):
-    logger.info("process_files called")
     if files:
         try:
-            # 檢查是否已保存 API 密鑰
             api_key = state.get('api_key', None)
             if not api_key:
-                logger.error("使用者未提供 OpenAI API 密鑰。")
                 return "請先在「設定 API 密鑰」標籤中輸入並保存您的 OpenAI API 密鑰。", state
 
-            logger.info(f"Received {len(files)} files")
             saved_file_paths = []
             for idx, file_data in enumerate(files):
-                # 為每個文件分配唯一的文件名
                 filename = f"uploaded_{idx}.pdf"
                 save_path = os.path.join(VECTORDB_DIR, filename)
                 with open(save_path, "wb") as f:
                     f.write(file_data)
-                # 確認文件是否存在並檢查文件大小
-                if os.path.exists(save_path):
-                    file_size = os.path.getsize(save_path)
-                    if file_size > 0:
-                        logger.info(f"File successfully saved to: {save_path} (Size: {file_size} bytes)")
-                    else:
-                        logger.error(f"File saved to {save_path} is empty.")
-                        raise ValueError(f"上傳的文件 {filename} 為空。")
-                else:
-                    logger.error(f"Failed to save file to: {save_path}")
-                    raise FileNotFoundError(f"無法保存文件到 {save_path}")
                 saved_file_paths.append(save_path)
-                # 測試 PDF 加載器，先用 PyMuPDFLoader，再用 PyPDFLoader
-                try:
-                    test_pdf_loader(save_path, loader_type='PyMuPDFLoader')
-                except Exception as e:
-                    logger.error(f"PyMuPDFLoader failed: {e}")
-                    logger.info("Attempting to load with PyPDFLoader...")
-                    test_pdf_loader(save_path, loader_type='PyPDFLoader')
-            # 列出 VECTORDB_DIR 中的所有文件
-            saved_files = os.listdir(VECTORDB_DIR)
-            logger.info(f"Files in VECTORDB_DIR ({VECTORDB_DIR}): {saved_files}")
-            # 列出文件大小
-            file_sizes = {file: os.path.getsize(os.path.join(VECTORDB_DIR, file)) for file in saved_files}
-            logger.info(f"File sizes in VECTORDB_DIR: {file_sizes}")
             vectordb = load_and_process_documents(saved_file_paths, loader_type='PyMuPDFLoader', api_key=api_key)
             state['vectordb'] = vectordb
             return "PDF 文件已成功上傳並處理。您現在可以開始提問。", state
         except Exception as e:
-            logger.error(f"Error in process_files: {e}")
             return f"處理文件時出現錯誤: {e}", state
     else:
         return "請上傳至少一個 PDF 文件。", state
@@ -216,15 +141,13 @@ def chat_interface(user_message, chat_history, state):
     if not api_key:
         return chat_history, state, "請先在「設定 API 密鑰」標籤中輸入並保存您的 OpenAI API 密鑰。"
 
-    # 處理查詢
     updated_history = handle_query(user_message, chat_history, vectordb, api_key)
     return updated_history, state, ""
 
 # 設計 Gradio 介面
 with gr.Blocks() as demo:
-    gr.Markdown("<h1 style='text-align: center;'>MBTI 與經典調酒 AI 助理</h1>")
+    gr.Markdown("<h1 style='text-align: center;'>勞動法智能諮詢系統</h1>")
 
-    # 定義共享的 state
     state = gr.State({"vectordb": None, "api_key": None})
 
     with gr.Tab("設定 API 密鑰"):
@@ -239,50 +162,46 @@ with gr.Blocks() as demo:
                 save_api_key_btn = gr.Button("保存 API 密鑰")
                 api_key_status = gr.Textbox(label="狀態", interactive=False)
 
-    with gr.Tab("上傳 PDF 文件"):
+    with gr.Tab("上傳勞動法 PDF 文件"):
         with gr.Row():
             with gr.Column(scale=1):
                 upload = gr.File(
                     file_count="multiple",
                     file_types=[".pdf"],
-                    label="上傳 PDF 文件",
+                    label="上傳勞動法 PDF 文件",
                     interactive=True,
-                    type="binary"  # 修改為 'binary'
+                    type="binary"
                 )
                 upload_btn = gr.Button("上傳並處理")
                 upload_status = gr.Textbox(label="上傳狀態", interactive=False)
 
-    with gr.Tab("聊天機器人"):
+    with gr.Tab("智能諮詢"):
         chatbot = gr.Chatbot()
 
         with gr.Row():
             with gr.Column(scale=0.85):
-                txt = gr.Textbox(show_label=False, placeholder="請輸入您的問題...")
+                txt = gr.Textbox(show_label=False, placeholder="請輸入您的法律問題...")
             with gr.Column(scale=0.15, min_width=0):
                 submit_btn = gr.Button("提問")
 
-        # 綁定提問按鈕
         submit_btn.click(
             chat_interface,
             inputs=[txt, chatbot, state],
             outputs=[chatbot, state, txt]
         )
 
-        # 綁定輸入框的提交事件
         txt.submit(
             chat_interface,
             inputs=[txt, chatbot, state],
             outputs=[chatbot, state, txt]
         )
 
-    # 綁定保存 API 密鑰按鈕
     save_api_key_btn.click(
         save_api_key,
         inputs=[api_key_input, state],
         outputs=[api_key_status, state]
     )
 
-    # 綁定上傳按鈕
     upload_btn.click(
         process_files,
         inputs=[upload, state],
@@ -290,4 +209,5 @@ with gr.Blocks() as demo:
     )
 
 # 啟動 Gradio 應用
-demo.launch()
+demo.launch()
+