app.py

import streamlit as st
import pandas as pd
import torch
from transformers import AutoTokenizer, AutoModel
import faiss
import numpy as np




st.title('Умный поиск фильмов 🔍🎦')

with st.sidebar:
    st.header('Выберите страницу')
    page = st.selectbox("Выберите страницу", ["Главная", "Подбор фильмов по описанию", "Итоги"])

if page == "Главная":
    st.header('Выполнила команда "FindMyMovie":')
    st.subheader('🎥Алексей')
    st.subheader('🎬Светлана')
    st.subheader('🍿Тата')
    



    st.subheader('Наши задачи:')
    st.markdown("""
<span style='font-size:18px; color:purple;'>Задача 1:</span> Спарсить информацию по 5 тыс. фильмов и обработать ее

<span style='font-size:18px; color:purple;'>Задача 2:</span> Разработать систему поиска фильма по пользовательскому запросу
""", unsafe_allow_html=True)

    st.markdown(
    f"<div style='border: 2px solid #800080; padding: 10px; text-align: center;'><span style='font-size: 20px; color: violet;'>Мы любезно позаимствовали данные о фильмах с \
    Киноафиши, ни один участник команды при этом не пострадал 💟</span></div>",
    unsafe_allow_html=True
)

    st.subheader('   '*10)


    st.info('🌟Сервис принимает на вход описание фильма от пользователя и возвращает заданное количество подходящих вариантов')

    df = pd.read_csv('fina_data.csv')
    st.info('🌟Если не знаете, что посмотреть, нажмите кнопку "Сгенерировать" - сервис предложит вам 10 случайных фильмов из библиотеки')
    

# Отображаем HTML-разметку в Streamlit
    if st.button("Сгенерировать 🎲"):
        # Получение случайных 10 строк
        random_rows = df[['movie_title', 'description']].sample(n=10).reset_index(drop=True)
        random_rows.index = random_rows.index + 1

        st.markdown(f"<span style='font-size:{20}px; color:violet'>{'Сегодня мы подобрали для вас следующие фильмы:'}</span>", unsafe_allow_html=True)
        st.write(random_rows)
        st.image("1.png", use_column_width=True)
                
if page == "Подбор фильмов по описанию":
    # Загрузка предварительно обученной модели ruBERT
    tokenizer = AutoTokenizer.from_pretrained("DeepPavlov/rubert-base-cased-sentence")
    model = AutoModel.from_pretrained("DeepPavlov/rubert-base-cased-sentence")
        
    df2 = pd.read_csv('fina_data.csv') 
    embeddings_array = np.load('embeddings_final.npy')
    index = faiss.read_index('desc_faiss_index_final.index')
    
    def encode_description(description):
        tokens = tokenizer(description, return_tensors="pt")
        with torch.no_grad():
            outputs = model(**tokens)
        embeddings = outputs.last_hidden_state.mean(dim=1)
        return embeddings.cpu().numpy().astype('float32')
        
    # embeddings = pd.read_pickle('embeddings.pkl')
    
    def main():


    # Пользовательский ввод
        user_input = st.text_input("Введите описание фильма:", value="", help="Чем подробнее будет ваше описание, тем точнее мы сможем подобрать для вас фильм 🤗'")

        if st.button("Искать🔍🎦"):
            if user_input:
            # Векторизация введенного запроса
                input_embedding = encode_description(user_input)

            # Поиск с использованием Faiss
                _, sorted_indices = index.search(input_embedding.reshape(1, -1), 5)  # Изменил на 5

            # Используйте индексы для извлечения строк из DataFrame
                recs = df2.iloc[sorted_indices[0]].reset_index(drop=True)
                recs.index = recs.index + 1

            # Вывод рекомендованных фильмов с изображениями
                st.subheader("Рекомендованные фильмы 🎉:")
                for i in range(5):
                    st.markdown(f"<span style='font-size:{20}px; color:purple'>{recs['movie_title'].iloc[i]}</span>", unsafe_allow_html=True)
                    # Создаем две колонки: одну для текста, другую для изображения
                    col1, col2 = st.columns([2, 1])
                
                    # В  колонке отображаем название фильма, описание, роли и ссылку
                    col1.info(recs['description'].iloc[i])
                    col1.markdown(f"**В ролях:** {recs['actors'].iloc[i]}")
                    col1.markdown(f"**Фильм можно посмотреть [здесь]({recs['page_url'].iloc[i]})**")
                
                    # В  колонке отображаем изображение
                    col2.image(recs['image_url'].iloc[i], caption=recs['movie_title'].iloc[i], width=200)
                with st.sidebar:
                    st.info("""
                         #### Мы смогли помочь вам с выбором? 
                        """)
                    feedback = st.text_input('Поделитесь с нами вашим мнением')
                
                    feedback_button = st.button("Отправить отзыв", key="feedback_button")
                
                if feedback_button and feedback:
                    feedback_container.success("Спасибо, каждый день мы стараемся быть лучше для вас 💟")
                elif feedback_button:
                    feedback_container.warning("Пожалуйста, введите отзыв перед отправкой.")

    if __name__ == "__main__":
        main()

if page == "Итоги":
    st.header('Инструменты для создания проекта: ')
    list_text = """
    <div style='color: violet; border: 2px solid purple; padding: 10px;'>
        <ul>
            <li>Используемые языковые модели: rubert-base-cased-sentence, rubert-tiny2</li>
            <li>Библиотека Sentence Transformers</li>
            <li>Faiss (для уменьшения времени генерации подборки фильмов)</li>
            <li>Сайт-жертва для парсинга - <a href="https://www.kinoafisha.info/" style='color: purple;'>Киноафиша</a></li>
        </ul>
    </div>
    """

    # Отображение HTML-разметки в Streamlit
    st.markdown(list_text, unsafe_allow_html=True)