Update app.py

app.py

@@ -1,120 +1,123 @@
-import json
-import numpy as np
-import gradio as gr
-import logging
-from openai import OpenAI
-from tenacity import retry, wait_random_exponential, stop_after_attempt
-import os
-
-client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))
-
-
-# Configurazione del logging per errori
-logging.basicConfig(filename="error.log", level=logging.ERROR, 
-                    format='%(asctime)s - %(levelname)s - %(message)s')
-
-# Funzione per ottenere l'embedding da OpenAI con la nuova sintassi
-@retry(wait=wait_random_exponential(min=1, max=20), stop=stop_after_attempt(6))
-def get_embedding(text, model="text-embedding-3-small"):
-    if not isinstance(text, str) or not text.strip():
-        raise ValueError("Il testo di input deve essere una stringa non vuota.")
-    text = text.replace("\n", " ")
-    response = client.embeddings.create(input=[text], model=model)
-    return response.data[0].embedding
-
-# Funzione per calcolare la similarità coseno
-def cosine_similarity(vec_a, vec_b):
-    dot_product = np.dot(vec_a, vec_b)
-    norm_a = np.linalg.norm(vec_a)
-    norm_b = np.linalg.norm(vec_b)
-    if norm_a == 0 or norm_b == 0:
-        return 0.0
-    return dot_product / (norm_a * norm_b)
-
-# Funzione per caricare gli embeddings dal file JSON
-def load_embeddings(file_path):
-    try:
-        with open(file_path, 'r', encoding='utf-8') as file:
-            data = json.load(file)
-        return data
-    except UnicodeDecodeError as e:
-        logging.error(f"Errore di codifica nel caricamento del file JSON: {e}")
-        return f"Errore: {e}"
-    except json.JSONDecodeError as e:
-        logging.error(f"Errore di parsing JSON: {e}")
-        return f"Errore: {e}"
-    except Exception as e:
-        logging.error(f"Errore generico nel caricamento del file JSON: {e}")
-        return f"Errore: {e}"
-
-# Funzione per trovare gli articoli simili a partire da una frase chiave
-def find_similar_articles_from_query(query, embeddings_data):
-    try:
-        query_embedding = get_embedding(query)
-    except Exception as e:
-        error_message = f"Errore nel calcolo dell'embedding per la query: {e}"
-        logging.error(error_message)
-        return None, None, error_message
-
-    similarities = []
-    # Calcola la similarità tra l'embedding della query e ciascun articolo
-    for article in embeddings_data:
-        try:
-            similarity = cosine_similarity(query_embedding, article['embedding'])
-        except Exception as e:
-            logging.error(f"Errore nel calcolo della similarità per l'articolo {article.get('titolo_articolo', 'Sconosciuto')}: {e}")
-            similarity = 0.0
-        # Costruzione del link per il download del PDF
-        pdf_url = f"https://storiadellarterivista.it/data/pdf/{article['testo_pdf']}"
-        pdf_link = f'<a href="{pdf_url}" download>{article["testo_pdf"]}</a>'
-        similarities.append({
-            "titolo_articolo": article['titolo_articolo'],
-            "similarity": similarity,
-            "pdf_link": pdf_link
-        })
-
-    # Ordina gli articoli in ordine decrescente per similarità
-    similarities_sorted = sorted(similarities, key=lambda x: x['similarity'], reverse=True)
-    top_5 = similarities_sorted[:5]
-    # Ordina in ordine crescente per ottenere i 5 articoli con minore similarità
-    bottom_5 = sorted(similarities, key=lambda x: x['similarity'])[:5]
-    return top_5, bottom_5, None
-
-# Funzione per generare una tabella HTML a partire da una lista di articoli
-def generate_html_table(articles, title):
-    html = f"<h3>{title}</h3>"
-    html += '<table border="1" style="border-collapse: collapse; width:100%;">'
-    html += "<tr><th>Titolo Articolo</th><th>Similarità</th><th>PDF</th></tr>"
-    for art in articles:
-        html += f"<tr><td>{art['titolo_articolo']}</td><td>{art['similarity']:.3f}</td><td>{art['pdf_link']}</td></tr>"
-    html += "</table>"
-    return html
-
-# Funzione principale chiamata dall'interfaccia GRADIO
-def search_articles(query):
-    top_5, bottom_5, error = find_similar_articles_from_query(query, embeddings_data)
-    if error:
-        return error, error
-    top_table = generate_html_table(top_5, "Top 5 Articoli più simili")
-    bottom_table = generate_html_table(bottom_5, "Bottom 5 Articoli meno simili")
-    return top_table, bottom_table
-
-# Caricamento degli embeddings dal file JSON
-file_path = 'embedded_articles.json'  # Percorso del file JSON contenente gli embeddings
-embeddings_data = load_embeddings(file_path)
-
-# Controllo di eventuali errori nel caricamento degli embeddings
-if isinstance(embeddings_data, str):
-    logging.error(embeddings_data)
-    print(embeddings_data)
-else:
-    iface = gr.Interface(
-        fn=search_articles,
-        inputs=gr.Textbox(label="Inserisci una frase chiave", placeholder="Scrivi qui la tua frase di ricerca..."),
-        outputs=[gr.HTML(label="Articoli più simili"), gr.HTML(label="Articoli meno simili")],
-        title="Ricerca Articoli Simili da Frase Chiave",
-        description=("Inserisci una frase chiave per trovare gli articoli semanticamente simili. "
-                     "Vengono mostrati i 5 articoli con maggiore similarità e i 5 con minore similarità, "
-                     "con il coefficiente di similarità e un link per il download del PDF.")
-    )
-    iface.launch(share=True)
+import json
+import numpy as np
+import gradio as gr
+import logging
+from openai import OpenAI
+from tenacity import retry, wait_random_exponential, stop_after_attempt
+import os
+
+# Recupero della chiave API dalla variabile d'ambiente "api"
+api_key = os.environ.get("api")
+if not api_key:
+    raise ValueError("La variabile d'ambiente 'api' non è stata impostata. Verifica la configurazione dei secrets.")
+client = OpenAI(api_key=api_key)
+
+# Configurazione del logging per errori
+logging.basicConfig(filename="error.log", level=logging.ERROR, 
+                    format='%(asctime)s - %(levelname)s - %(message)s')
+
+# Funzione per ottenere l'embedding da OpenAI con la nuova sintassi
+@retry(wait=wait_random_exponential(min=1, max=20), stop=stop_after_attempt(6))
+def get_embedding(text, model="text-embedding-3-small"):
+    if not isinstance(text, str) or not text.strip():
+        raise ValueError("Il testo di input deve essere una stringa non vuota.")
+    text = text.replace("\n", " ")
+    response = client.embeddings.create(input=[text], model=model)
+    return response.data[0].embedding
+
+# Funzione per calcolare la similarità coseno
+def cosine_similarity(vec_a, vec_b):
+    dot_product = np.dot(vec_a, vec_b)
+    norm_a = np.linalg.norm(vec_a)
+    norm_b = np.linalg.norm(vec_b)
+    if norm_a == 0 or norm_b == 0:
+        return 0.0
+    return dot_product / (norm_a * norm_b)
+
+# Funzione per caricare gli embeddings dal file JSON
+def load_embeddings(file_path):
+    try:
+        with open(file_path, 'r', encoding='utf-8') as file:
+            data = json.load(file)
+        return data
+    except UnicodeDecodeError as e:
+        logging.error(f"Errore di codifica nel caricamento del file JSON: {e}")
+        return f"Errore: {e}"
+    except json.JSONDecodeError as e:
+        logging.error(f"Errore di parsing JSON: {e}")
+        return f"Errore: {e}"
+    except Exception as e:
+        logging.error(f"Errore generico nel caricamento del file JSON: {e}")
+        return f"Errore: {e}"
+
+# Funzione per trovare gli articoli simili a partire da una frase chiave
+def find_similar_articles_from_query(query, embeddings_data):
+    try:
+        query_embedding = get_embedding(query)
+    except Exception as e:
+        error_message = f"Errore nel calcolo dell'embedding per la query: {e}"
+        logging.error(error_message)
+        return None, None, error_message
+
+    similarities = []
+    # Calcola la similarità tra l'embedding della query e ciascun articolo
+    for article in embeddings_data:
+        try:
+            similarity = cosine_similarity(query_embedding, article['embedding'])
+        except Exception as e:
+            logging.error(f"Errore nel calcolo della similarità per l'articolo {article.get('titolo_articolo', 'Sconosciuto')}: {e}")
+            similarity = 0.0
+        # Costruzione del link per il download del PDF
+        pdf_url = f"https://storiadellarterivista.it/data/pdf/{article['testo_pdf']}"
+        pdf_link = f'<a href="{pdf_url}" download>{article["testo_pdf"]}</a>'
+        similarities.append({
+            "titolo_articolo": article['titolo_articolo'],
+            "similarity": similarity,
+            "pdf_link": pdf_link
+        })
+
+    # Ordina gli articoli in ordine decrescente per similarità
+    similarities_sorted = sorted(similarities, key=lambda x: x['similarity'], reverse=True)
+    top_5 = similarities_sorted[:5]
+    # Ordina in ordine crescente per ottenere i 5 articoli con minore similarità
+    bottom_5 = sorted(similarities, key=lambda x: x['similarity'])[:5]
+    return top_5, bottom_5, None
+
+# Funzione per generare una tabella HTML a partire da una lista di articoli
+def generate_html_table(articles, title):
+    html = f"<h3>{title}</h3>"
+    html += '<table border="1" style="border-collapse: collapse; width:100%;">'
+    html += "<tr><th>Titolo Articolo</th><th>Similarità</th><th>PDF</th></tr>"
+    for art in articles:
+        html += f"<tr><td>{art['titolo_articolo']}</td><td>{art['similarity']:.3f}</td><td>{art['pdf_link']}</td></tr>"
+    html += "</table>"
+    return html
+
+# Funzione principale chiamata dall'interfaccia GRADIO
+def search_articles(query):
+    top_5, bottom_5, error = find_similar_articles_from_query(query, embeddings_data)
+    if error:
+        return error, error
+    top_table = generate_html_table(top_5, "Top 5 Articoli più simili")
+    bottom_table = generate_html_table(bottom_5, "Bottom 5 Articoli meno simili")
+    return top_table, bottom_table
+
+# Caricamento degli embeddings dal file JSON
+file_path = 'embedded_articles.json'  # Percorso del file JSON contenente gli embeddings
+embeddings_data = load_embeddings(file_path)
+
+# Controllo di eventuali errori nel caricamento degli embeddings
+if isinstance(embeddings_data, str):
+    logging.error(embeddings_data)
+    print(embeddings_data)
+else:
+    iface = gr.Interface(
+        fn=search_articles,
+        inputs=gr.Textbox(label="Inserisci una frase chiave", placeholder="Scrivi qui la tua frase di ricerca..."),
+        outputs=[gr.HTML(label="Articoli più simili"), gr.HTML(label="Articoli meno simili")],
+        title="Ricerca Articoli Simili da Frase Chiave",
+        description=("Inserisci una frase chiave per trovare gli articoli semanticamente simili. "
+                     "Vengono mostrati i 5 articoli con maggiore similarità e i 5 con minore similarità, "
+                     "con il coefficiente di similarità e un link per il download del PDF.")
+    )
+    iface.launch(share=True)