Upload 2 files

app.py

@@ -0,0 +1,259 @@
+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"

requirements.txt

@@ -0,0 +1,22 @@
+numpy==1.26.4
+torch==2.1.2+cu118 # Αν το περιβάλλον deployment έχει CUDA 11.8
+# torch==2.1.2 # Αν το περιβάλλον deployment είναι μόνο CPU
+torchvision==0.16.2+cu118 # Αντίστοιχα για CPU
+torchaudio==2.1.2+cu118 # Αντίστοιχα για CPU
+# --index-url https://download.pytorch.org/whl/cu118 (Αυτό είναι παράμετρος για pip install, όχι για το αρχείο)
+
+# triton # Πιθανόν δεν χρειάζεται αν η PyTorch 1.13.1 δεν το απαιτούσε, αλλά το είχαμε στο Colab
+          # Με την PyTorch 2.1.2 και accelerate, το triton μπορεί να είναι χρήσιμο ή να εγκαθίσταται ως εξάρτηση.
+          # Αφήστε το προς το παρόν αν δεν δημιουργεί πρόβλημα.
+
+timm==0.9.12
+transformers==4.30.0 # Η έκδοση που λειτούργησε στο Colab με το accelerate fix
+chromadb==0.4.24
+scikit-learn==1.3.2
+tqdm
+sentencepiece
+joblib
+gradio==4.20.0 # Η έκδοση Gradio που χρησιμοποιούσατε (ή νεότερη αν προτιμάτε)
+unicodedata2
+scipy
+accelerate<0.28.0 # Η κρίσιμη διόρθωση από το Colab