Delete app.py

app.py

@@ -1,259 +0,0 @@
-import gradio as gr
-import torch
-import unicodedata
-import re
-import numpy as np
-from pathlib import Path
-from transformers import AutoTokenizer, AutoModel
-from sklearn.feature_extraction.text import HashingVectorizer
-from sklearn.preprocessing import normalize as sk_normalize
-import chromadb
-import joblib
-import pickle
-import scipy.sparse
-import textwrap
-import os
-
-# --------------------------- CONFIG για ChatbotVol107 -----------------------------------
-# --- Ρυθμίσεις Μοντέλου και Βάσης Δεδομένων ---
-MODEL_NAME        = "nlpaueb/bert-base-greek-uncased-v1"
-DB_DIR            = Path("./chroma_db_ChatbotVol107")  # Τοπική διαδρομή για τη βάση που κατεβάσατε
-COL_NAME          = "collection_chatbotvol107"      # Πρέπει να ταιριάζει με το Colab
-ASSETS_DIR        = Path("./assets_ChatbotVol107")    # Τοπική διαδρομή για τα assets που κατεβάσατε
-# ---------------------------------------------
-
-# --- Ρυθμίσεις για Google Cloud Storage (παραμένουν ίδιες) ---
-GCS_BUCKET_NAME = "chatbotthesisihu"  # Το όνομα του GCS bucket σας (βεβαιωθείτε ότι είναι σωστό)
-GCS_PUBLIC_URL_PREFIX = f"https://storage.googleapis.com/{GCS_BUCKET_NAME}/"
-# -------------------------------------------------------------
-
-CHUNK_SIZE        = 512 # Από το Colab config, για συνέπεια στο cls_embed
-ALPHA_BASE        = 0.50 # Από το Colab config
-ALPHA_LONGQ       = 0.65 # Από το Colab config
-DEVICE            = "cuda" if torch.cuda.is_available() else "cpu"
-
-print(f"Running ChatbotVol107 on device: {DEVICE}")
-print(f"Using model: {MODEL_NAME}")
-print(f"ChromaDB path: {DB_DIR}")
-print(f"Assets path: {ASSETS_DIR}")
-print(f"Collection name: {COL_NAME}")
-
-# ----------------------- PRE-/POST HELPERS ----------------------------
-def strip_acc(s: str) -> str:
-    return ''.join(ch for ch in unicodedata.normalize('NFD', s)
-                   if not unicodedata.combining(ch))
-
-STOP = {"σχετικο", "σχετικα", "με", "και"}
-
-def preprocess(txt: str) -> str:
-    txt = strip_acc(txt.lower())
-    txt = re.sub(r"[^a-zα-ω0-9 ]", " ", txt)
-    txt = re.sub(r"\s+", " ", txt).strip()
-    return " ".join(w for w in txt.split() if w not in STOP)
-
-# --- cls_embed ΠΡΕΠΕΙ ΝΑ ΕΙΝΑΙ ΙΔΙΑ ΜΕ ΤΟΥ COLAB (για ένα query) ---
-def cls_embed(texts, tok, model): # texts είναι μια λίστα με ένα string (το query)
-    out = []
-    enc = tok(texts, padding=True, truncation=True,
-              max_length=CHUNK_SIZE, return_tensors="pt").to(DEVICE)
-    with torch.no_grad():
-        model_output = model(**enc)
-        last_hidden_state = model_output.last_hidden_state
-        # Παίρνουμε το embedding του [CLS] token
-        cls_embedding = last_hidden_state[:, 0, :] 
-        cls_normalized = torch.nn.functional.normalize(cls_embedding, p=2, dim=1)
-        out.append(cls_normalized.cpu())
-    return torch.cat(out).numpy()
-# ----------------------------------------------------
-
-# ---------------------- LOAD MODELS & DATA (Μία φορά κατά την εκκίνηση) --------------------
-print(f"⏳ Loading Model ({MODEL_NAME}) and Tokenizer...")
-try:
-    tok = AutoTokenizer.from_pretrained(MODEL_NAME)
-    model = AutoModel.from_pretrained(MODEL_NAME).to(DEVICE).eval()
-    print("✓ Model and tokenizer loaded.")
-except Exception as e:
-    print(f"CRITICAL ERROR loading model/tokenizer: {e}")
-    raise
-
-print(f"⏳ Loading TF-IDF vectorizers and SPARSE matrices from {ASSETS_DIR}...")
-try:
-    char_vec = joblib.load(ASSETS_DIR / "char_vectorizer.joblib")
-    word_vec = joblib.load(ASSETS_DIR / "word_vectorizer.joblib")
-    X_char = scipy.sparse.load_npz(ASSETS_DIR / "X_char_sparse.npz")
-    X_word = scipy.sparse.load_npz(ASSETS_DIR / "X_word_sparse.npz")
-    print("✓ TF-IDF components loaded.")
-except Exception as e:
-    print(f"CRITICAL ERROR loading TF-IDF components from {ASSETS_DIR}: {e}")
-    raise
-
-print(f"⏳ Loading chunk data (pre_chunks, raw_chunks, ids, metas) from {ASSETS_DIR}...")
-try:
-    with open(ASSETS_DIR / "pre_chunks.pkl", "rb") as f:
-        pre_chunks = pickle.load(f)
-    with open(ASSETS_DIR / "raw_chunks.pkl", "rb") as f:
-        raw_chunks = pickle.load(f)
-    with open(ASSETS_DIR / "ids.pkl", "rb") as f:
-        ids = pickle.load(f) 
-    with open(ASSETS_DIR / "metas.pkl", "rb") as f:
-        metas = pickle.load(f)
-    print(f"✓ Chunk data loaded. Total chunks from ids: {len(ids):,}")
-    if not all([pre_chunks, raw_chunks, ids, metas]):
-        print("WARNING: One or more chunk data lists are empty!")
-except Exception as e:
-    print(f"CRITICAL ERROR loading chunk data from {ASSETS_DIR}: {e}")
-    raise
-
-print(f"⏳ Connecting to ChromaDB at {DB_DIR}...")
-try:
-    client = chromadb.PersistentClient(path=str(DB_DIR.resolve()))
-    col = client.get_collection(COL_NAME)
-    print(f"✓ Connected to ChromaDB. Collection '{COL_NAME}' count: {col.count()}")
-    if col.count() == 0:
-        print(f"WARNING: ChromaDB collection '{COL_NAME}' is empty or not found correctly at {DB_DIR}!")
-except Exception as e:
-    print(f"CRITICAL ERROR connecting to ChromaDB or getting collection: {e}")
-    print(f"Attempted DB path for PersistentClient: {str(DB_DIR.resolve())}")
-    raise
-
-# ---------------------- HYBRID SEARCH (Κύρια Λογική) ---
-def hybrid_search_gradio(query, k=5):
-    if not query.strip():
-        return "Παρακαλώ εισάγετε μια ερώτηση."
-
-    if not ids: 
-        return "Σφάλμα: Τα δεδομένα αναζήτησης (ids) δεν έχουν φορτωθεί. Επικοινωνήστε με τον διαχειριστή."
-
-    q_pre = preprocess(query)
-    words = q_pre.split()
-    alpha = ALPHA_LONGQ if len(words) > 30 else ALPHA_BASE
-
-    exact_ids_set = {ids[i] for i, t in enumerate(pre_chunks) if q_pre in t}
-
-    q_emb_np = cls_embed([q_pre], tok, model)
-    q_emb_list = q_emb_np.tolist()
-
-    try:
-        sem_results = col.query(
-            query_embeddings=q_emb_list,
-            n_results=min(k * 30, len(ids)), 
-            include=["distances", "metadatas"] 
-        )
-    except Exception as e:
-        print(f"ERROR during ChromaDB query: {e}")
-        return "Σφάλμα κατά την σημασιολογική αναζήτηση."
-
-    sem_sims = {doc_id: 1 - dist for doc_id, dist in zip(sem_results["ids"][0], sem_results["distances"][0])}
-
-    q_char_sparse = char_vec.transform([q_pre])
-    q_char_normalized = sk_normalize(q_char_sparse)
-    char_sim_scores = (q_char_normalized @ X_char.T).toarray().flatten()
-
-    q_word_sparse = word_vec.transform([q_pre])
-    q_word_normalized = sk_normalize(q_word_sparse)
-    word_sim_scores = (q_word_normalized @ X_word.T).toarray().flatten()
-
-    lex_sims = {}
-    for idx, (c_score, w_score) in enumerate(zip(char_sim_scores, word_sim_scores)):
-        if c_score > 0 or w_score > 0:
-            if idx < len(ids): 
-                lex_sims[ids[idx]] = 0.85 * c_score + 0.15 * w_score
-            else:
-                print(f"Warning: Lexical score index {idx} out of bounds for ids list (len: {len(ids)}).")
-
-    all_chunk_ids_set = set(sem_sims.keys()) | set(lex_sims.keys()) | exact_ids_set
-    scored = []
-    for chunk_id_key in all_chunk_ids_set:
-        s = alpha * sem_sims.get(chunk_id_key, 0.0) + \
-            (1 - alpha) * lex_sims.get(chunk_id_key, 0.0)
-        if chunk_id_key in exact_ids_set:
-            s = 1.0
-        scored.append((chunk_id_key, s))
-
-    scored.sort(key=lambda x: x[1], reverse=True)
-
-    hits_output = []
-    seen_doc_main_ids = set()
-    for chunk_id_val, score_val in scored:
-        try:
-            idx_in_lists = ids.index(chunk_id_val) 
-        except ValueError:
-            print(f"Warning: chunk_id '{chunk_id_val}' from search results not found in global 'ids' list. Skipping.")
-            continue
-
-        doc_meta = metas[idx_in_lists]
-        doc_main_id = doc_meta['id']
-
-        if doc_main_id in seen_doc_main_ids:
-            continue
-
-        original_url_from_meta = doc_meta.get('url', '#')
-
-        pdf_gcs_url = "#" 
-        pdf_filename_display = "N/A"
-
-        if original_url_from_meta and original_url_from_meta != '#':
-            pdf_filename_extracted = os.path.basename(original_url_from_meta)
-
-            if pdf_filename_extracted and pdf_filename_extracted.lower().endswith(".pdf"):
-                pdf_gcs_url = f"{GCS_PUBLIC_URL_PREFIX}{pdf_filename_extracted}"
-                pdf_filename_display = pdf_filename_extracted 
-            elif pdf_filename_extracted: 
-                pdf_filename_display = "Source is not a PDF"
-            else: 
-                 pdf_filename_display = "No source URL"
-        else:
-            pdf_filename_display = "No source URL"
-
-        hits_output.append({
-            "score": score_val,
-            "title": doc_meta.get('title', 'N/A'),
-            "snippet": raw_chunks[idx_in_lists][:500] + " ...",
-            "original_url_meta": original_url_from_meta, 
-            "pdf_serve_url": pdf_gcs_url, 
-            "pdf_filename_display": pdf_filename_display 
-        })
-        seen_doc_main_ids.add(doc_main_id)
-        if len(hits_output) >= k:
-            break
-
-    if not hits_output:
-        return "Δεν βρέθηκαν σχετικά αποτελέσματα."
-
-    output_md = f"Βρέθηκαν **{len(hits_output)}** σχετικά αποτελέσματα:\n\n"
-    for hit in hits_output:
-        output_md += f"### {hit['title']} (Score: {hit['score']:.3f})\n"
-        snippet_wrapped = textwrap.fill(hit['snippet'].replace("\n", " "), width=100)
-        output_md += f"**Απόσπασμα:** {snippet_wrapped}\n"
-
-        if hit['pdf_serve_url'] and hit['pdf_serve_url'] != '#':
-            output_md += f"**Πηγή (PDF):** <a href='{hit['pdf_serve_url']}' target='_blank'>{hit['pdf_filename_display']}</a>\n"
-        elif hit['original_url_meta'] and hit['original_url_meta'] != '#':
-            output_md += f"**Πηγή (αρχικό από metadata):** [{hit['original_url_meta']}]({hit['original_url_meta']})\n"
-        output_md += "---\n"
-
-    return output_md
-
-# ---------------------- GRADIO INTERFACE -----------------------------------
-print("🚀 Launching Gradio Interface for ChatbotVol107...")
-iface = gr.Interface(
-    fn=hybrid_search_gradio,
-    inputs=gr.Textbox(lines=3, placeholder="Γράψε την ερώτησή σου εδώ...", label=f"Ερώτηση προς τον βοηθό (Μοντέλο: {MODEL_NAME.split('/')[-1]}):"),
-    outputs=gr.Markdown(label="Απαντήσεις από τα έγγραφα:", rtl=False, sanitize_html=False),
-    title=f"🏛️ Ελληνικό Chatbot Υβριδικής Αναζήτησης (ChatbotVol107 - {MODEL_NAME.split('/')[-1]})", 
-    description=(f"Πληκτρολογήστε την ερώτησή σας για αναζήτηση. Χρησιμοποιεί το μοντέλο: {MODEL_NAME}.\n"
-                 "Τα PDF ανοίγουν από εξωτερική πηγή (Google Cloud Storage) σε νέα καρτέλα."),
-    allow_flagging="never",
-    examples=[
-        ["Ποια είναι τα μέτρα για τον κορονοϊό;", 5],
-        ["Πληροφορίες για άδεια ειδικού σκοπού", 3],
-        ["Τι προβλέπεται για τις μετακινήσεις εκτός νομού;", 5]
-    ],
-)
-
-if __name__ == '__main__':
-    # Αφού τα PDF εξυπηρετούνται από το GCS, το allowed_paths μπορεί να μην είναι απαραίτητο
-    # εκτός αν έχετε άλλα τοπικά στατικά αρχεία (π.χ. εικόνες για το UI) που θέλετε να εξυπηρετήσετε.
-    # Αν δεν έχετε, μπορείτε να το αφαιρέσετε ή να βάλετε κενή λίστα: iface.launch(allowed_paths=[])
-    # Για τώρα, το αφήνουμε όπως ήταν, σε περίπτωση που χρειάζεται για caching ή άλλα assets.
-    iface.launch(allowed_paths=["static_pdfs"]) # Η STATIC_PDF_DIR_NAME ήταν "static_pdfs"