Spaces:
Running
Running
File size: 2,976 Bytes
7feb9fa fe30b11 7feb9fa |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 |
import streamlit as st
import openai
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import FAISS
from langchain.text_splitter import CharacterTextSplitter
from langchain.document_loaders import PyPDFLoader
st.title("📄 PDF Q&A mit OpenAI (LangChain)")
# -------------------------------
# Seitenleiste: API-Key eingeben
# -------------------------------
with st.sidebar:
openai_api_key = st.text_input("OpenAI API Key", type="password")
# -------------------------------
# PDF hochladen
# -------------------------------
uploaded_file = st.file_uploader("Lade eine PDF-Datei hoch", type=["pdf"])
# -------------------------------
# Eingabefeld für Fragen
# -------------------------------
question = st.text_input(
label="Frage zum Dokument",
placeholder="Worum geht es in diesem Dokument?",
disabled=not uploaded_file
)
# -------------------------------
# Hinweis, falls kein API-Key
# -------------------------------
if uploaded_file and question and not openai_api_key:
st.info("Bitte zuerst deinen OpenAI API Key eingeben, um fortzufahren.")
st.stop()
# -------------------------------
# Verarbeite die PDF und beantworte die Frage
# -------------------------------
if uploaded_file and question and openai_api_key:
try:
# 1) PDF laden mit PyPDFLoader
loader = PyPDFLoader(uploaded_file)
# 2) Text in Chunks aufteilen
# Du kannst hier nach Bedarf den CharacterTextSplitter anpassen,
# z. B. chunk_size oder chunk_overlap ändern.
text_splitter = CharacterTextSplitter(
separator="\n",
chunk_size=1000,
chunk_overlap=100,
length_function=len
)
# load_and_split() übernimmt das Laden und direkte Splitten in Dokumente:
documents = loader.load_and_split(text_splitter=text_splitter)
# 3) Erstelle Embeddings und Vector Store (FAISS)
embeddings = OpenAIEmbeddings(openai_api_key=openai_api_key)
vectorstore = FAISS.from_documents(documents, embeddings)
retriever = vectorstore.as_retriever()
# 4) Erstelle Retrieval-Kette mit LLM
llm = ChatOpenAI(
temperature=0,
model_name="gpt-4o-mini",
openai_api_key=openai_api_key
)
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
chain_type="stuff", # Simplest "Stuff" Chain
retriever=retriever
)
# 5) Frage stellen und Antwort bekommen
with st.spinner("Suche relevante Textstellen und generiere Antwort..."):
answer = qa_chain.run(question)
# 6) Ausgabe
st.write("### Antwort:")
st.write(answer)
except Exception as e:
st.error(f"Fehler beim Verarbeiten der PDF: {e}")
|