Spaces:
Sleeping
Sleeping
File size: 3,152 Bytes
74a2182 d99e578 74a2182 d99e578 74a2182 aca6db8 d99e578 aca6db8 d99e578 aca6db8 d99e578 74a2182 d99e578 |
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 |
import os
import shutil
import gradio as gr
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import Chroma
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.chains import RetrievalQA
from langchain_community.llms import HuggingFaceHub
# إعداد مجلد الحفظ
os.makedirs("docs", exist_ok=True)
# نسخ آمن للملف لتفادي الخطأ
def safe_copy(src_path, dst_folder="docs"):
filename = os.path.basename(src_path)
dst_path = os.path.join(dst_folder, filename)
if os.path.abspath(src_path) != os.path.abspath(dst_path):
shutil.copy(src_path, dst_path)
return dst_path
# تحميل ومعالجة الملف
def process_file(file):
try:
file_path = safe_copy(file.name)
loader = PyPDFLoader(file_path)
pages = loader.load_and_split()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
texts = text_splitter.split_documents(pages)
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
db = Chroma.from_documents(texts, embeddings)
retriever = db.as_retriever(search_kwargs={"k": 3})
llm = HuggingFaceHub(repo_id="mistralai/Mistral-7B-Instruct-v0.2", model_kwargs={"temperature":0.5, "max_new_tokens":512})
qa_chain = RetrievalQA.from_chain_type(llm=llm, chain_type="stuff", retriever=retriever, return_source_documents=True)
return qa_chain, "تم تحميل الملف بنجاح، يمكنك الآن طرح الأسئلة."
except Exception as e:
return None, f"حدث خطأ: {e}"
# متغير عالمي للاحتفاظ بالسلسلة
qa_chain = None
# الدالة التي تجيب على السؤال
def answer_question(question):
if qa_chain is None:
return "الرجاء رفع ملف أولاً."
result = qa_chain({"query": question})
answer = result["result"]
sources = "\n".join([doc.metadata.get("source", "") for doc in result["source_documents"]])
return f"🔹 **الإجابة:**\n{answer}\n\n🔹 **المصدر:**\n{sources}"
# واجهة Gradio
with gr.Blocks(title="Smart PDF Assistant") as demo:
gr.Markdown("## 🤖 مساعد الكتب الذكي - Smart PDF Assistant")
file_input = gr.File(label="📄 ارفع ملف PDF", type="file")
upload_button = gr.Button("🔁 تحميل الملف ومعالجته")
status_output = gr.Textbox(label="📢 حالة التحميل", interactive=False)
question_input = gr.Textbox(label="❓ اكتب سؤالك هنا")
answer_output = gr.Markdown(label="📘 الإجابة")
def handle_upload(file):
global qa_chain
qa_chain, status = process_file(file)
return status
upload_button.click(fn=handle_upload, inputs=[file_input], outputs=[status_output])
question_input.submit(fn=answer_question, inputs=[question_input], outputs=[answer_output])
# شغّل التطبيق
if __name__ == "__main__":
demo.launch()
|