Create app.py

app.py

@@ -0,0 +1,328 @@
+import streamlit as st
+import time
+import pandas as pd
+import io
+from transformers import pipeline
+from streamlit_extras.stylable_container import stylable_container
+import plotly.express as px
+import zipfile
+
+from PyPDF2 import PdfReader
+import docx
+
+
+import os
+from comet_ml import Experiment
+import re
+import numpy as np 
+
+
+
+
+st.subheader("58-Italian Named Entity Recognition Web App", divider = "orange")
+st.link_button("by nlpblogs", "https://nlpblogs.com", type = "tertiary")
+
+expander = st.expander("**Important notes on the 58-Italian Named Entity Recognition Web App**")
+expander.write('''
+    
+    **Named Entities:**
+    This 58-Italian Named Entity Recognition Web App predicts fifty-eight (58) labels
+    
+    ("**INDIRIZZO**: Identifica un indirizzo fisico.
+    
+     **VALUTA**: Rappresenta una valuta.
+     
+     **CVV**: Codice di sicurezza della carta di credito.
+     
+     **NUMERO_CONTO**: Numero di un conto bancario.
+     
+     **BIC**: Codice identificativo di una banca (Bank Identifier Code).
+     
+     **IBAN**: Numero di conto bancario internazionale.
+     
+     **STATO**: Identifica un paese o una nazione.
+     
+     **NOME**: Riferito al nome di una persona.
+     
+     **COGNOME**: Riferito al cognome di una persona.
+     
+     **CODICE_POSTALE**: Codice postale di un'area geografica.
+     
+     **IP**: Indirizzo IP di un dispositivo in rete.
+     
+     **ORARIO**: Riferito a un orario specifico.
+     
+     **URL**: Indirizzo web (Uniform Resource Locator).
+     
+     **LUOGO**: Identifica un luogo geografico.
+     
+     **IMPORTO**: Riferito a una somma di denaro.
+     
+     **EMAIL**: Indirizzo di posta elettronica.
+     
+     **PASSWORD**: Parola chiave per l'accesso a sistemi protetti.
+     
+     **NUMERO_CARTA**: Numero di una carta di credito o debito.
+     
+     **TARGA_VEICOLO**: Numero di targa di un veicolo.
+     
+     **DATA_NASCITA**: Data di nascita di una persona.
+     
+     **DATA_MORTE**: Data di decesso di una persona.
+     
+     **RAGIONE_SOCIALE**: Nome legale di un'azienda o entità commerciale.
+     
+     **ETA**: Età di una persona.
+     
+     **DATA**: Riferita a una data generica.
+     
+     **PROFESSIONE**: Occupazione o lavoro di una persona.
+     
+     **PIN**: Numero di identificazione personale.
+     
+     **NUMERO_TELEFONO**: Numero telefonico.
+     
+     **FOGLIO**: Riferito a un foglio di documentazione.
+     
+     **PARTICELLA**: Riferito a una particella catastale.
+     
+     **CARTELLA_CLINICA**: Documentazione medica di un paziente.
+     
+     **MALATTIA**: Identifica una malattia o condizione medica.
+     
+     **MEDICINA**: Riferito a un farmaco o trattamento medico.
+     
+     **CODICE_FISCALE**: Codice fiscale personale o aziendale.
+     
+     **NUMERO_DOCUMENTO**: Numero di un documento ufficiale.
+     
+     **STORIA_CLINICA**: Registro delle condizioni mediche di un paziente.
+     
+     **AVV_NOTAIO**: Identifica un avvocato o notaio.
+     
+     **P_IVA**: Partita IVA di un'azienda o professionista.
+     
+     **LEGGE**: Riferito a una legge specifica.
+     
+     **TASSO_MUTUO**: Tasso di interesse di un mutuo.
+     
+     **N_SENTENZA**: Numero di una sentenza legale.
+     
+     **MAPPALE**: Riferito a un mappale catastale.
+     
+     **SUBALTERNO**: Riferito a un subalterno catastale.
+     
+     **REGIME_PATRIMONIALE**: Stato patrimoniale in ambito legale.
+     
+     **STATO_CIVILE**: Stato civile di una persona.
+     
+     **BANCA**: Identifica una banca o istituto di credito.
+     
+     **BRAND**: Marchio o brand commerciale.
+     
+     **NUM_ASSEGNO_BANCARIO**: Numero di un assegno bancario.
+     
+     **IMEI**: Numero di identificazione internazionale di un dispositivo mobile.
+     
+     **N_LICENZA**: Numero di una licenza specifica.
+     
+     **IPV6_1**: Indirizzo IP versione 6.
+     
+     **MAC**: Indirizzo MAC di un dispositivo di rete.
+     
+     **USER_AGENT**: Identifica il software usato per accedere a una rete.
+     
+     **TRIBUNALE**: Identifica un tribunale specifico.
+     
+     **STRENGTH**: Riferito alla forza o intensità di del medicinale.
+     
+     **FREQUENZA**: Riferito alla frequenza di un trattamento medico.
+     
+     **DURATION**: Durata di un evento o trattamento.
+     
+     **DOSAGGIO**: Quantità di un medicinale da assumere.
+     
+     **FORM**: Forma del medicinale, ad esempio compresse.")
+     
+     Results are presented in an easy-to-read table, visualized in an interactive tree map, pie chart, and bar chart, and are available for download along with a Glossary of tags.
+    
+    **How to Use:**
+    Upload your .pdf or .docx file. Then, click the 'Results' button to extract and tag entities in your text data.
+    
+    **Usage Limits:**
+     You can request results up to 10 times.
+ 
+    **Customization:**
+    To change the app's background color to white or black, click the three-dot menu on the right-hand side of your app, go to Settings and then Choose app theme, colors and fonts.
+    
+    **Technical issues:**
+    If your connection times out, please refresh the page or reopen the app's URL.
+    
+    For any errors or inquiries, please contact us at [email protected]
+    
+''')
+
+
+with st.sidebar:
+    container = st.container(border=True)
+    container.write("**Named Entity Recognition (NER)** is the task of extracting and tagging entities in text data. Entities can be persons, organizations, locations, countries, products, events etc.")
+    st.subheader("Related NLP Web Apps", divider = "orange")
+    st.link_button("8-Named Entity Recognition Web App", "https://nlpblogs.com/shop/named-entity-recognition-ner/8-named-entity-recognition-web-app/", type = "primary")
+
+
+COMET_API_KEY = os.environ.get("COMET_API_KEY")
+COMET_WORKSPACE = os.environ.get("COMET_WORKSPACE")
+COMET_PROJECT_NAME = os.environ.get("COMET_PROJECT_NAME")
+
+if COMET_API_KEY and COMET_WORKSPACE and COMET_PROJECT_NAME:
+    comet_initialized = True
+else:
+    comet_initialized = False
+    st.warning("Comet ML not initialized. Check environment variables.")
+
+    
+
+if 'file_upload_attempts' not in st.session_state:
+    st.session_state['file_upload_attempts'] = 0
+
+max_attempts = 10
+
+
+upload_file = st.file_uploader("Upload your file. Accepted file formats include: .pdf, .docx", type=['pdf', 'docx'])
+text = None
+df = None
+
+if upload_file is not None:
+    
+    file_extension = upload_file.name.split('.')[-1].lower()
+    if file_extension == 'pdf':
+        try:
+            pdf_reader = PdfReader(upload_file)
+            text = ""
+            for page in pdf_reader.pages:
+                text += page.extract_text()
+            st.write("Due to security protocols, the file content is hidden.")
+        except Exception as e:
+            st.error(f"An error occurred while reading PDF: {e}")
+    elif file_extension == 'docx':
+        try:
+            doc = docx.Document(upload_file)
+            text = "\n".join([para.text for para in doc.paragraphs])
+            st.write("Due to security protocols, the file content is hidden.")
+        except Exception as e:
+            st.error(f"An error occurred while reading docx: {e}")
+    else:
+        st.warning("Unsupported file type.")
+    
+        st.stop()
+
+
+st.divider()
+
+if st.button("Results"):
+    if st.session_state['file_upload_attempts'] >= max_attempts:
+        st.error(f"You have requested results {max_attempts} times. You have reached your daily request limit.")
+        st.stop()
+    st.session_state['file_upload_attempts'] += 1
+    
+
+    with st.spinner("Wait for it...", show_time=True):
+        time.sleep(5)
+        model = pipeline("token-classification", model="DeepMount00/Italian_NER_XXL", aggregation_strategy = "max")
+        text1 = model(text)
+       
+        df1 = pd.DataFrame(text1)
+        pattern = r'[^\w\s]'
+        df1['word'] = df1['word'].replace(pattern, '', regex=True)
+
+        df2 = df1.replace('', 'Unknown')
+        df = df2.dropna()
+
+        
+        
+
+        
+
+        if comet_initialized:
+            experiment = Experiment(
+                api_key=COMET_API_KEY,
+                workspace=COMET_WORKSPACE,
+                project_name=COMET_PROJECT_NAME,
+            )
+            experiment.log_parameter("input_text", text)
+            experiment.log_table("predicted_entities", df)
+
+        properties = {"border": "2px solid gray", "color": "blue", "font-size": "16px"}
+        df_styled = df.style.set_properties(**properties)
+        st.dataframe(df_styled)
+
+        with st.expander("See Glossary of tags"):
+            st.write('''
+            '**word**': ['entity extracted from your text data']
+            
+            '**score**': ['accuracy score; how accurately a tag has been assigned to a given entity']
+            
+            '**entity_group**': ['label (tag) assigned to a given extracted entity']
+            
+            '**start**': ['index of the start of the corresponding entity']
+            
+            '**end**': ['index of the end of the corresponding entity']
+            ''')
+
+        if df is not None:
+            fig = px.treemap(df, path=[px.Constant("all"), 'word', 'entity_group'],
+                                 values='score', color='entity_group')
+            fig.update_layout(margin = dict(t=50, l=25, r=25, b=25))
+            st.subheader("Tree map", divider = "rainbow")
+            st.plotly_chart(fig)
+            if comet_initialized:
+                experiment.log_figure(figure=fig, figure_name="entity_treemap")
+
+        if df is not None:
+            value_counts1 = df['entity_group'].value_counts()
+            df1 = pd.DataFrame(value_counts1)
+            final_df = df1.reset_index().rename(columns={"index": "entity_group"})
+            col1, col2 = st.columns(2)
+            with col1:
+                fig1 = px.pie(final_df, values='count', names='entity_group', hover_data=['count'], labels={'count': 'count'}, title='Percentage of predicted labels')
+                fig1.update_traces(textposition='inside', textinfo='percent+label')
+                st.subheader("Pie Chart", divider = "orange")
+                st.plotly_chart(fig1)
+                if comet_initialized:
+                    experiment.log_figure(figure=fig1, figure_name="label_pie_chart")
+            with col2:
+                fig2 = px.bar(final_df, x="count", y="entity_group", color="entity_group", text_auto=True, title='Occurrences of predicted labels')
+                st.subheader("Bar Chart", divider = "orange")
+                st.plotly_chart(fig2)
+                if comet_initialized:
+                    experiment.log_figure(figure=fig2, figure_name="label_bar_chart")
+
+        dfa = pd.DataFrame(
+            data={
+                'word': ['entity extracted from your text data'], 'score': ['accuracy score; how accurately a tag has been assigned to a given entity'], 'entity_group': ['label (tag) assigned to a given extracted entity'],
+                'start': ['index of the start of the corresponding entity'],
+                'end': ['index of the end of the corresponding entity'],
+                })
+        buf = io.BytesIO()
+        with zipfile.ZipFile(buf, "w") as myzip:
+            myzip.writestr("Summary of the results.csv", df.to_csv(index=False))
+            myzip.writestr("Glossary of tags.csv", dfa.to_csv(index=False))
+            
+
+        with stylable_container(
+            key="download_button",
+            css_styles="""button { background-color: yellow; border: 1px solid black; padding: 5px; color: black; }""",
+        ):
+            st.download_button(
+                label="Download zip file",
+                data=buf.getvalue(),
+                file_name="zip file.zip",
+                mime="application/zip",
+            )
+            if comet_initialized:
+                experiment.log_asset(buf.getvalue(), file_name="downloadable_results.zip")
+
+        st.divider()
+        if comet_initialized:
+            experiment.end()
+st.write(f"Number of times you requested results: {st.session_state['file_upload_attempts']}/{max_attempts}")