modify segmentation

app.py

@@ -1,5 +1,3 @@
-import json
-
 import streamlit as st
 from dotenv import load_dotenv
 from PyPDF2 import PdfReader
@@ -13,20 +11,18 @@ from langchain.chains import ConversationalRetrievalChain
 from htmlTemplates import css, bot_template, user_template
 from langchain.llms import HuggingFaceHub, LlamaCpp, CTransformers  # For loading transformer models.
 from langchain.document_loaders import PyPDFLoader, TextLoader, JSONLoader, CSVLoader
-import tempfile  # 임시 파일을 생성하기 위한 라이브러리입니다.
+import tempfile # 임시 파일을 생성하기 위한 라이브러리입니다.
 import os
 
-
 # PDF 문서로부터 텍스트를 추출하는 함수입니다.
 def get_pdf_text(pdf_docs):
-    temp_dir = tempfile.TemporaryDirectory()  # 임시 디렉토리를 생성합니다.
-    temp_filepath = os.path.join(temp_dir.name, pdf_docs.name)  # 임시 파일 경로를 생성합니다.
+    temp_dir = tempfile.TemporaryDirectory() # 임시 디렉토리를 생성합니다.
+    temp_filepath = os.path.join(temp_dir.name, pdf_docs.name) # 임시 파일 경로를 생성합니다.
     with open(temp_filepath, "wb") as f:  # 임시 파일을 바이너리 쓰기 모드로 엽니다.
-        f.write(pdf_docs.getvalue())  # PDF 문서의 내용을 임시 파일에 씁니다.
-    pdf_loader = PyPDFLoader(temp_filepath)  # PyPDFLoader를 사용해 PDF를 로드합니다.
-    pdf_doc = pdf_loader.load()  # 텍스트를 추출합니다.
-    return pdf_doc  # 추출한 텍스트를 반환합니다
-
+        f.write(pdf_docs.getvalue()) # PDF 문서의 내용을 임시 파일에 씁니다.
+    pdf_loader = PyPDFLoader(temp_filepath) # PyPDFLoader를 사용해 PDF를 로드합니다.
+    pdf_doc = pdf_loader.load() # 텍스트를 추출합니다.
+    return pdf_doc # 추출한 텍스트를 반환합니다
 
 # 과제
 # 아래 텍스트 추출 함수를 작성
@@ -50,35 +46,26 @@ def get_csv_file(csv_docs):
     csv_doc = csv_loader.load()  # 텍스트를 추출합니다.
     return csv_doc  # 추출한 텍스트를 반환합니다.
 
-
 def get_json_file(json_docs):
-    try:
-        temp_dir = tempfile.TemporaryDirectory()  # 임시 디렉토리를 생성합니다.
-        temp_filepath = os.path.join(temp_dir.name, json_docs.name)  # 임시 파일 경로를 생성합니다.
-        with open(temp_filepath, "wb") as f:  # 임시 파일을 바이너리 쓰기 모드로 엽니다.
-            f.write(json_docs.getvalue())  # json 문서의 내용을 임시 파일에 씁니다.
-
-        json_loader = JSONLoader(temp_filepath, jq_schema='.', content_key='sender_name',
-                                 json_lines=True)  # Loader를 사용해 json를 로드합니다.
-        json_doc = json_loader.load()  # 텍스트를 추출합니다.
-
-        return json_doc  # 추출한 텍스트를 반환합니다.
-    except json.JSONDecodeError as e:
-        print(f"Error decoding JSON: {e}")
-        # Handle the exception, raise or return a default value as needed
-        return None  # 예외가 발생하면 None을 반환하거나 다른 처리를 수행할 수 있습니다.
+    temp_dir = tempfile.TemporaryDirectory()  # 임시 디렉토리를 생성합니다.
+    temp_filepath = os.path.join(temp_dir.name, json_docs.name)  # 임시 파일 경로를 생성합니다.
+    with open(temp_filepath, "wb") as f:  # 임시 파일을 바이너리 쓰기 모드로 엽니다.
+        f.write(json_docs.getvalue())  # json 문서의 내용을 임시 파일에 씁니다.
+    json_loader = JSONLoader(temp_filepath, jq_schema='.[].text')  # Loader를 사용해 json를 로드합니다.
+    json_doc = json_loader.load()  # 텍스트를 추출합니다.
+    return json_doc  # 추출한 텍스트를 반환합니다.
 
 
 # 문서들을 처리하여 텍스트 청크로 나누는 함수입니다.
 def get_text_chunks(documents):
     text_splitter = RecursiveCharacterTextSplitter(
-        chunk_size=1000,  # 청크의 크기를 지정합니다.
-        chunk_overlap=200,  # 청크 사이의 중복을 지정합니다.
-        length_function=len  # 텍스트의 길이를 측정하는 함수를 지정합니다.
+        chunk_size=1000, # 청크의 크기를 지정합니다.
+        chunk_overlap=200, # 청크 사이의 중복을 지정합니다.
+        length_function=len # 텍스트의 길이를 측정하는 함수를 지정합니다.
     )
 
-    documents = text_splitter.split_documents(documents)  # 문서들을 청크로 나눕니다
-    return documents  # 나눈 청크를 반환합니다.
+    documents = text_splitter.split_documents(documents) # 문서들을 청크로 나눕니다
+    return documents # 나눈 청크를 반환합니다.
 
 
 # 텍스트 청크들로부터 벡터 스토어를 생성하는 함수입니다.
@@ -86,14 +73,14 @@ def get_vectorstore(text_chunks):
     # OpenAI 임베딩 모델을 로드합니다. (Embedding models - Ada v2)
 
     embeddings = OpenAIEmbeddings()
-    vectorstore = FAISS.from_documents(text_chunks, embeddings)  # FAISS 벡터 스토어를 생성합니다.
+    vectorstore = FAISS.from_documents(text_chunks, embeddings) # FAISS 벡터 스토어를 생성합니다.
 
-    return vectorstore  # 생성된 벡터 스토어를 반환합니다.
+    return vectorstore # 생성된 벡터 스토어를 반환합니다.
 
 
 def get_conversation_chain(vectorstore):
     gpt_model_name = 'gpt-3.5-turbo'
-    llm = ChatOpenAI(model_name=gpt_model_name)  # gpt-3.5 모델 로드
+    llm = ChatOpenAI(model_name = gpt_model_name) #gpt-3.5 모델 로드
 
     # 대화 기록을 저장하기 위한 메모리를 생성합니다.
     memory = ConversationBufferMemory(
@@ -106,7 +93,6 @@ def get_conversation_chain(vectorstore):
     )
     return conversation_chain
 
-
 # 사용자 입력을 처리하는 함수입니다.
 def handle_userinput(user_question):
     # 대화 체인을 사용하여 사용자 질문에 대한 응답을 생성합니다.