app.py

import os
import shutil
import gradio as gr

from langchain_community.document_loaders import PyPDFLoader
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.llms import HuggingFaceHub
from langchain.chains import RetrievalQA
from langchain.text_splitter import RecursiveCharacterTextSplitter

# إعداد مجلد التخزين للملفات والبيانات
CHROMA_PATH = "chroma_db"
os.makedirs("docs", exist_ok=True)

# متغير عالمي للسلسلة
qa_chain = None

# الدالة لنسخ الملف إلى مجلد docs
def save_pdf_to_docs(uploaded_file):
    filename = os.path.basename(uploaded_file.name)
    destination_path = os.path.join("docs", filename)
    if os.path.abspath(uploaded_file.name) != os.path.abspath(destination_path):
        shutil.copy(uploaded_file.name, destination_path)
    return destination_path

# الدالة لمعالجة الملف وبناء قاعدة البيانات
def process_file(file):
    global qa_chain

    try:
        path = save_pdf_to_docs(file)

        loader = PyPDFLoader(path)
        docs = loader.load()
        
        # تقسيم النصوص إلى أجزاء صغيرة
        splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=150)
        split_docs = splitter.split_documents(docs)

        # إعداد التضمينات
        embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")

        # إنشاء قاعدة بيانات شعاعية
        vectordb = Chroma.from_documents(split_docs, embedding=embeddings, persist_directory=CHROMA_PATH)
        retriever = vectordb.as_retriever(search_kwargs={"k": 3})

        # استخدام نموذج مجاني من Hugging Face لا يتطلب مفتاح API
        llm = HuggingFaceHub(
            repo_id="mistralai/Mistral-7B-Instruct-v0.2",
            huggingfacehub_api_token="",  # تركها فارغة على Hugging Face Spaces
            model_kwargs={"temperature": 0.2, "max_new_tokens": 512}
        )

        qa_chain = RetrievalQA.from_chain_type(llm=llm, chain_type="stuff", retriever=retriever, return_source_documents=True)

        return "✅ تم تحميل الملف بنجاح، يمكنك الآن طرح الأسئلة."

    except Exception as e:
        return f"❌ حدث خطأ أثناء المعالجة: {e}"

# الدالة للإجابة على السؤال
def answer_question(question):
    if qa_chain is None:
        return "⚠️ الرجاء رفع ومعالجة ملف PDF أولاً."

    result = qa_chain({"query": question})
    answer = result["result"]
    
    # عرض النتيجة من اليمين إلى اليسار
    return f"<div dir='rtl'><b>🔍 الإجابة:</b><br>{answer}</div>"

# بناء واجهة Gradio
with gr.Blocks(title="مساعد عربي ذكي للملفات") as demo:
    gr.Markdown("## 🤖 مساعد الملفات العربية باستخدام RAG", elem_id="title")

    file_input = gr.File(label="📄 ارفع ملف PDF بالعربية", type="filepath")
    upload_button = gr.Button("🚀 تحميل ومعالجة الملف")
    status_box = gr.Textbox(label="📝 الحالة", interactive=False)

    question_input = gr.Textbox(label="❓ اطرح سؤالك هنا", elem_id="question", rtl=True)
    answer_output = gr.HTML(label="📘 الإجابة", elem_id="answer")

    upload_button.click(fn=process_file, inputs=[file_input], outputs=[status_box])
    question_input.submit(fn=answer_question, inputs=[question_input], outputs=[answer_output])

# إطلاق التطبيق
if __name__ == "__main__":
    demo.launch()