Update app.py

app.py

@@ -5,7 +5,9 @@ from pydantic import BaseModel, Field
 from typing import List
 from huggingface_hub import hf_hub_download
 
+# --- Sekcja Konfiguracji Modelu ---
 MODEL_FILE_NAME = 'model_raport.pkl'
+# Upewnij się, że ta nazwa repozytorium jest poprawna!
 MODEL_REPO_ID = 'zotthytt12/model_hr' 
 
 MODEL_FEATURES_ORDER = [
@@ -16,15 +18,16 @@ MODEL_FEATURES_ORDER = [
     'React', 'SQL', 'TensorFlow'
 ]
 
-
+# --- Globalna zmienna na model ---
 model = None
 
-
+# --- Definicja API (FastAPI) ---
 app = FastAPI(
     title="API Rankingu CV",
     description="API, które przyjmuje listę kandydatów, ocenia ich za pomocą modelu RandomForest i zwraca ranking."
 )
 
+# --- 1. Modele danych (Pydantic) ---
 
 class CandidateFeatures(BaseModel):
     """Definiuje cechy JEDNEGO kandydata."""
@@ -54,23 +57,28 @@ class CandidateFeatures(BaseModel):
         populate_by_name = True
 
 class RankingRequest(BaseModel):
+    """Definiuje format zapytania - oczekujemy listy kandydatów."""
     candidates: List[CandidateFeatures]
 
 class RankedCandidate(BaseModel):
+    """Definiuje format odpowiedzi dla jednego kandydata."""
     identifier: str
     score: float = Field(..., description="Prawdopodobieństwo zaproszenia (0.0 do 1.0)")
 
 class RankingResponse(BaseModel):
+    """Definiuje format odpowiedzi - zwracamy listę ocenionych kandydatów."""
     ranked_candidates: List[RankedCandidate]
 
 
-@app.on_event("startup")
-def load_model_from_hub():
-    """
-    Pobiera model .pkl z Hugging Face Hub i wczytuje go 
-    przy starcie aplikacji.
-    """
+# --- 2. Ładowanie modelu ---
+# (Używamy nowszego 'lifespan' zamiast 'on_event')
+from contextlib import asynccontextmanager
+
+@asynccontextmanager
+async def lifespan(app: FastAPI):
+    # Kod uruchamiany przy starcie
     global model
+    print("--- Rozpoczynanie ładowania modelu z Huba... ---")
     try:
         model_path = hf_hub_download(
             repo_id=MODEL_REPO_ID,
@@ -82,15 +90,29 @@ def load_model_from_hub():
         
     except Exception as e:
         print(f"BŁĄD KRYTYCZNY: Nie można wczytać modelu z Huba ({MODEL_REPO_ID}). Błąd: {e}")
+    
+    yield
+    # Kod uruchamiany przy zamknięciu (jeśli potrzebny)
+    print("--- Zamykanie aplikacji ---")
+
+# Przypisz funkcję lifespan do aplikacji
+app.router.lifespan_context = lifespan
 
 
+# --- 3. Punkty końcowe API (Endpoints) ---
+
 @app.get("/")
 def read_root():
+    """Podstawowy endpoint (główna strona) do sprawdzania, czy API działa."""
     return {"status": "OK", "message": "Witaj w API do Rankingu CV!"}
 
 
 @app.post("/rank", response_model=RankingResponse)
 def rank_candidates(request: RankingRequest):
+    """
+    Ten endpoint przyjmuje listę kandydatów, przetwarza ich dane,
+    przepuszcza przez model i zwraca posortowany ranking.
+    """
     global model
     if model is None:
         # Jeśli model się nie załadował przy starcie, zwróć błąd
@@ -100,15 +122,23 @@ def rank_candidates(request: RankingRequest):
         return {"ranked_candidates": []}
 
     try:
+        # 1. Konwertuj listę kandydatów
         candidate_data_list = [c.model_dump(by_alias=True) for c in request.candidates]
         identifiers = [c['identifier'] for c in candidate_data_list]
 
+        # 2. Stwórz DataFrame
         df = pd.DataFrame(candidate_data_list)
+        
+        # Upewnij się, że brakuje tylko kolumny 'identifier', a reszta pasuje
         features_df = df.drop(columns=['identifier'])
+        
+        # Ustaw kolejność kolumn DOKŁADNIE tak, jak w treningu
         features_df_ordered = features_df[MODEL_FEATURES_ORDER]
 
+        # 3. Predykcja
         probabilities = model.predict_proba(features_df_ordered)[:, 1]
 
+        # 4. Tworzenie odpowiedzi
         ranked_list = []
         for i, identifier in enumerate(identifiers):
             ranked_list.append(RankedCandidate(
@@ -116,6 +146,7 @@ def rank_candidates(request: RankingRequest):
                 score=probabilities[i]
             ))
 
+        # 5. Sortowanie
         sorted_ranked_list = sorted(ranked_list, key=lambda x: x.score, reverse=True)
 
         return {"ranked_candidates": sorted_ranked_list}
@@ -128,6 +159,8 @@ def rank_candidates(request: RankingRequest):
 # Uruchomienie aplikacji (dla testów lokalnych)
 if __name__ == "__main__":
     import uvicorn
-    # Uruchom ręcznie ładowanie modelu dla testów lokalnych
-    load_model_from_hub() 
+    # Uwaga: przy starcie z __main__ lifespan nie zadziała automatycznie
+    # Trzeba by go wywołać ręcznie lub po prostu polegać na teście z uvicorn
+    print("Uruchamianie lokalne - model zostanie załadowany przez 'lifespan' po starcie uvicorn.")
     uvicorn.run(app, host="0.0.0.0", port=8000)
+