app.py

import openai
import gradio as gr
import fitz
from openai import OpenAI
import traceback

# 全域變數
api_key = ""
selected_model = "gpt-4"
summary_text = ""
client = None
pdf_text = ""

def set_api_key(user_api_key):
    """設定 OpenAI API Key 並初始化客戶端"""
    global api_key, client
    try:
        api_key = user_api_key.strip()
        if not api_key:
            return "❌ API Key 不能為空"
        
        if not api_key.startswith('sk-'):
            return "❌ API Key 格式錯誤，應該以 'sk-' 開頭"
            
        client = OpenAI(api_key=api_key)
        
        # 測試 API Key 是否有效
        test_response = client.chat.completions.create(
            model="gpt-3.5-turbo",  # 使用較便宜的模型測試
            messages=[{"role": "user", "content": "測試"}],
            max_tokens=5
        )
        return "✅ API Key 已設定並驗證成功！"
    except Exception as e:
        if "incorrect_api_key" in str(e).lower():
            return "❌ API Key 無效，請檢查是否正確"
        elif "quota" in str(e).lower():
            return "⚠️ API Key 有效，但配額不足"
        else:
            return f"❌ API Key 設定失敗: {str(e)}"

def set_model(model_name):
    """設定選擇的模型"""
    global selected_model
    selected_model = model_name
    return f"✅ 模型已選擇：{model_name}"

def extract_pdf_text(file_path):
    """從 PDF 文件中提取文字"""
    try:
        doc = fitz.open(file_path)
        text = ""
        for page_num, page in enumerate(doc):
            page_text = page.get_text()
            if page_text.strip():
                text += f"\n--- 第 {page_num + 1} 頁 ---\n{page_text}"
        doc.close()
        return text
    except Exception as e:
        return f"❌ PDF 解析錯誤: {str(e)}"

def generate_summary(pdf_file):
    """從 PDF 內容生成摘要"""
    global summary_text, pdf_text
    
    if not client:
        return "❌ 請先設定 OpenAI API Key"
    
    if not pdf_file:
        return "❌ 請先上傳 PDF 文件"
    
    try:
        # 從 PDF 提取文字
        pdf_text = extract_pdf_text(pdf_file.name)
        
        if not pdf_text.strip():
            return "⚠️ 無法解析 PDF 文字，可能為純圖片 PDF 或空白文件。"
        
        # 截斷過長的文字
        max_chars = 8000
        if len(pdf_text) > max_chars:
            pdf_text_truncated = pdf_text[:max_chars] + "\n\n[文本已截斷，僅顯示前 8000 字符]"
        else:
            pdf_text_truncated = pdf_text
        
        # 生成摘要
        response = client.chat.completions.create(
            model=selected_model,
            messages=[
                {
                    "role": "system", 
                    "content": """你是一個專業的文檔摘要助手。請將以下 PDF 內容整理為結構化的摘要：

1. 首先提供一個簡短的總體概述
2. 然後按照重要性列出主要重點（使用項目符號）
3. 如果有數據或統計信息，請特別標注
4. 如果有結論或建議，請單獨列出

請用繁體中文回答，保持專業且易於理解的語調。"""
                },
                {"role": "user", "content": pdf_text_truncated}
            ],
            temperature=0.3
        )
        
        summary_text = response.choices[0].message.content
        return summary_text
        
    except Exception as e:
        print(f"錯誤詳情: {traceback.format_exc()}")
        return f"❌ 摘要生成失敗: {str(e)}"

def ask_question(user_question):
    """基於 PDF 內容回答問題"""
    if not client:
        return "❌ 請先設定 OpenAI API Key"
    
    if not summary_text and not pdf_text:
        return "❌ 請先生成 PDF 摘要"
    
    if not user_question.strip():
        return "❌ 請輸入問題"
    
    try:
        # 組合上下文
        context = f"PDF 摘要:\n{summary_text}\n\n原始內容（部分）:\n{pdf_text[:2000]}"
        
        response = client.chat.completions.create(
            model=selected_model,
            messages=[
                {
                    "role": "system", 
                    "content": f"""你是一個專業的文檔問答助手。請基於提供的 PDF 內容回答用戶問題。

規則：
1. 只根據提供的文檔內容回答
2. 如果文檔中沒有相關信息，請明確說明
3. 引用具體的文檔內容來支持你的回答
4. 用繁體中文回答
5. 保持客觀和準確

文檔內容：
{context}"""
                },
                {"role": "user", "content": user_question}
            ],
            temperature=0.2
        )
        
        return response.choices[0].message.content
        
    except Exception as e:
        print(f"錯誤詳情: {traceback.format_exc()}")
        return f"❌ 問答生成失敗: {str(e)}"

def clear_all():
    """清除所有資料"""
    global summary_text, pdf_text
    summary_text = ""
    pdf_text = ""
    return "", "", ""

# 創建 Gradio 介面
with gr.Blocks(
    title="PDF 摘要助手",
    css="""
    /* 隱藏 Gradio footer 和 logo */
    footer { display: none !important; }
    .gradio-container footer { display: none !important; }
    div[class*="footer"] { display: none !important; }
    div[class*="Footer"] { display: none !important; }
    .gr-footer { display: none !important; }
    """
) as demo:
    
    gr.Markdown("""
    # 📄 PDF 摘要 & 問答助手
    
    🚀 **歡迎使用 PDF 智能分析工具！**
    
    **主要功能：**
    - 📋 自動生成 PDF 文檔摘要
    - 🤖 基於文檔內容回答問題  
    - 💡 快速理解長篇文檔的核心內容
    
    **使用步驟：**
    1. 先在「設定」頁面輸入您的 OpenAI API Key
    2. 選擇適合的 AI 模型
    3. 在「摘要」頁面上傳 PDF 文件並生成摘要
    4. 在「問答」頁面提出關於文件的問題
    
    ---
    """)

    with gr.Tab("🔧 設定"):
        gr.Markdown("### API Key 設定")
        api_key_input = gr.Textbox(
            label="🔑 輸入 OpenAI API Key", 
            type="password",
            placeholder="請輸入您的 OpenAI API Key (sk-...)"
        )
        api_key_btn = gr.Button("確認 API Key", variant="primary")
        api_key_status = gr.Textbox(
            label="📊 API 狀態", 
            interactive=False, 
            value="🔄 等待設定 API Key..."
        )
        
        gr.Markdown("### 模型選擇")
        model_choice = gr.Radio(
            ["gpt-4", "gpt-4.1", "gpt-4.5"], 
            label="🤖 選擇 AI 模型", 
            value="gpt-4"
        )
        model_status = gr.Textbox(
            label="🎯 模型狀態", 
            interactive=False, 
            value="✅ 已選擇：gpt-4"
        )

    with gr.Tab("📄 PDF 摘要"):
        gr.Markdown("### 文件上傳與摘要生成")
        pdf_upload = gr.File(
            label="📁 上傳 PDF 文件", 
            file_types=[".pdf"]
        )
        with gr.Row():
            summary_btn = gr.Button("🔄 生成摘要", variant="primary")
            clear_btn = gr.Button("🗑️ 清除資料", variant="secondary")
        
        summary_output = gr.Textbox(
            label="📋 PDF 摘要", 
            lines=15,
            placeholder="上傳 PDF 文件並點擊「生成摘要」按鈕，AI 將為您分析文檔內容..."
        )

    with gr.Tab("❓ 智能問答"):
        gr.Markdown("### 基於文檔內容的問答")
        question_input = gr.Textbox(
            label="💭 請輸入您的問題", 
            lines=3,
            placeholder="例如：這份文件的主要結論是什麼？文中提到的關鍵數據有哪些？"
        )
        question_btn = gr.Button("📤 送出問題", variant="primary")
        
        answer_output = gr.Textbox(
            label="🤖 AI 回答", 
            lines=12,
            placeholder="請先上傳並生成 PDF 摘要，然後輸入問題，AI 將基於文檔內容為您提供回答..."
        )
        
        gr.Markdown("""
        **💡 問題範例：**
        - 這份文件討論的主要議題是什麼？
        - 文中有哪些重要的統計數據？
        - 作者的主要觀點和結論是什麼？
        - 文件中提到的建議有哪些？
        """)

    # 事件綁定 - 保持原有的簡單方式
    api_key_btn.click(set_api_key, inputs=api_key_input, outputs=api_key_status)
    api_key_input.submit(set_api_key, inputs=api_key_input, outputs=api_key_status)
    
    model_choice.change(set_model, inputs=model_choice, outputs=model_status)
    
    summary_btn.click(generate_summary, inputs=pdf_upload, outputs=summary_output)
    
    question_btn.click(ask_question, inputs=question_input, outputs=answer_output)
    question_input.submit(ask_question, inputs=question_input, outputs=answer_output)
    
    clear_btn.click(clear_all, outputs=[summary_output, question_input, answer_output])

if __name__ == "__main__":
    demo.launch(
        show_error=True,
        share=False
    )