Rename server.py to app.py

app.py

@@ -0,0 +1,104 @@
+# این فایل app.py در Hugging Face Space شما قرار می گیرد
+# این کد شامل:
+# - بارگذاری مدل Sentence Transformer پارسی 'heydariAI/persian-embeddings'
+# - تعریف اپلیکیشن Flask
+# - اندپوینت /get_embedding برای دریافت سوال و ارسال بردار آن
+# - لاگ گیری برای عیب یابی در لاگ های Space و یک فایل جداگانه
+# - مدیریت خطاهای اولیه در بارگذاری مدل و پردازش درخواست ها
+
+from sentence_transformers import SentenceTransformer
+from flask import Flask, request, jsonify
+import numpy as np
+import logging
+import os
+# import torch # اگر از GPU استفاده می کنید و torch نصب کرده اید، این خط را فعال نگه دارید.
+
+# تنظیمات اولیه لاگینگ برای نمایش در لاگ های استاندارد Space
+logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
+
+# مسیر فایل لاگ جداگانه در فضای Hugging Face (برای عیب یابی بیشتر)
+# نکته: نوشتن در فایل در برخی محیط های Space ممکن است نیاز به تنظیمات مجوز داشته باشد.
+log_file_path = "app_log.txt"
+
+# تابع برای افزودن پیام به فایل لاگ
+def log_message(message):
+    try:
+        with open(log_file_path, "a", encoding="utf-8") as f:
+            f.write(message + "\n")
+    except Exception as e:
+        logging.error(f"Error writing to log file {log_file_path}: {e}")
+
+# ****** نام مدل Sentence Transformer که می خواهیم در این سرور استفاده کنیم ******
+# این مدل برای Space جدید: heydariAI/persian-embeddings
+model_name_to_load = 'heydariAI/persian-embeddings'
+# ***************************************************************************
+
+
+# ****** بارگذاری مدل Sentence Transformer در هنگام راه اندازی سرور ******
+logging.info(f"Attempting to load Sentence Transformer model: {model_name_to_load}...")
+log_message(f"Attempting to load Sentence Transformer model: {model_name_to_load}...")
+
+try:
+    # بارگذاری مدل. اگر GPU دارید و torch نصب شده، می توانید device='cuda' را اضافه کنید.
+    model = SentenceTransformer(model_name_to_load)
+
+    # ****** افزودن لاگ تأیید پس از بارگذاری موفق مدل ******
+    logging.info(f"SUCCESS: Model '{model_name_to_load}' loaded successfully.")
+    log_message(f"SUCCESS: Model '{model_name_to_load}' loaded successfully.")
+    # ******************************************************
+
+except Exception as e:
+    # ****** مدیریت خطا در صورت عدم بارگذاری مدل ******
+    error_msg = f"ERROR: Failed to load model {model_name_to_load}: {e}"
+    logging.error(error_msg)
+    log_message(error_msg)
+    model = None
+    # *************************************************
+
+
+# تعریف اپلیکیشن Flask
+app = Flask(__name__)
+
+@app.route('/')
+def index():
+    if model is None:
+        return "Sentiment Embedding Server is running, but model failed to load. Check Space logs for details.", 500
+    return f"Sentiment Embedding Server is running successfully with model: {model_name_to_load}"
+
+
+@app.route('/get_embedding', methods=['POST'])
+def get_embedding():
+    if model is None:
+        error_msg = "Model is not loaded on the server due to a previous error. Check Space logs."
+        log_message(f"Received request but model is not loaded: {error_msg}")
+        return jsonify({"error": error_msg}), 500
+
+    try:
+        data = request.get_json()
+        query = data.get('query')
+
+        if not query or not isinstance(query, str) or not query.strip():
+            log_message(f"Received invalid or empty query in /get_embedding: {data}")
+            return jsonify({"error": "Invalid or empty query text provided"}), 400
+
+        log_message(f"Received query in /get_embedding: '{query}'")
+        logging.info(f"Processing query in /get_embedding: '{query[:50]}...'")
+
+        embedding = model.encode(query, convert_to_numpy=True, pooling_mode='mean', normalize=True)
+
+        embedding_list = embedding.tolist()
+
+        log_message(f"Successfully generated embedding for query in /get_embedding.")
+
+        return jsonify({"embedding": embedding_list}), 200
+
+    except Exception as e:
+        error_message = f"An error occurred during embedding generation in /get_embedding: {e}"
+        logging.error(error_message)
+        log_message(error_message)
+        return jsonify({"error": error_message}), 500
+
+# خط زیر فقط در صورتی که فایل server.py مستقیماً اجرا شود، سرور Flask را اجرا می کند.
+# در Hugging Face Space، خود زیرساخت Space مسئول اجرای برنامه شماست و این بخش معمولاً غیرفعال است.
+# if __name__ == '__main__':
+#     app.run(host='0.0.0.0', port=7860, debug=False)

server.py

@@ -1,84 +0,0 @@
-# این کد، برنامه سرور پایتون شما برای تولید Embedding سوال با قابلیت CORS است.
-# از فریمورک Flask و افزونه Flask-CORS استفاده شده است.
-
-from flask import Flask, request, jsonify
-from flask_cors import CORS # ایمپورت کردن افزونه CORS
-from sentence_transformers import SentenceTransformer
-import numpy as np
-import logging
-
-# تنظیمات اولیه لاگینگ برای مشاهده پیام ها در کنسول سرور
-logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
-
-app = Flask(__name__)
-# اضافه کردن CORS به برنامه Flask
-# این خط به سرور شما اجازه میدهد به درخواست هایی از مبدا 'http://localhost:8000' پاسخ دهد
-CORS(app, origins=["http://localhost:8000"])
-
-# ****** نام مدل Sentence Transformer که برای بردارسازی سوال استفاده می‌شود ******
-# این مدل باید همان مدلی باشد که برای تولید Embeddings JSON استفاده شده است
-# مدل PartAI/Tooka-SBERT با ابعاد 1024 - بهترین مدل در تست ها
-model_name = 'PartAI/Tooka-SBERT'
-# ******************************************************************************
-
-model = None # متغیری برای نگهداری مدل بارگذاری شده
-
-# تابع برای بارگذاری مدل هوش مصنوعی هنگام شروع سرور
-def load_model(model_name):
-    global model
-    if model is None:
-        logging.info(f"Loading Sentence Transformer model: {model_name} for server...")
-        try:
-            # بارگذاری مدل
-            # ممکن است نیاز به تعیین device='cpu' باشد اگر به صورت خودکار شناسایی نشود
-            # import torch # اگر از torch استفاده میکنید
-            # device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
-            # model = SentenceTransformer(model_name, device=device)
-            model = SentenceTransformer(model_name) # بارگذاری با تشخیص خودکار دستگاه
-            logging.info("Model loaded successfully on the server.")
-        except Exception as e:
-            logging.error(f"Error loading model on the server: {e}")
-            model = None # در صورت خطا مدل را None نگه میداریم
-
-# مسیر API برای دریافت سوال و ارسال بردار آن
-@app.route('/get_embedding', methods=['POST']) # مسیر دریافت بردار سوال
-def get_embedding():
-    # چک میکنیم که آیا مدل با موفقیت بارگذاری شده است یا خیر
-    if model is None:
-        logging.error("Attempted to process request but AI model is not loaded.")
-        return jsonify({"error": "AI model not loaded on server."}), 500
-
-    # چک میکنیم که درخواست دریافتی شامل داده JSON و فیلد 'query' باشد
-    if not request.json or 'query' not in request.json:
-        logging.warning("Received invalid request: Missing JSON or 'query' field.")
-        return jsonify({"error": "Invalid request. Please send JSON with a 'query' field."}), 400
-
-    query = request.json['query']
-    logging.info(f"Received query for embedding: '{query}'")
-
-    try:
-        # تولید بردار معنایی برای سوال دریافتی
-        # pooling='mean' و normalize=True باید با آنچه در تولید Embeddings JSON استفاده شد یکسان باشد
-        query_embedding = model.encode(query, convert_to_numpy=True, pooling_mode='mean', normalize=True)
-
-        # تبدیل بردار numpy به لیست پایتون برای ارسال در پاسخ JSON
-        query_embedding_list = query_embedding.tolist()
-
-        logging.info("Query embedding generated successfully.")
-        # ارسال بردار تولید شده به عنوان پاسخ JSON به مرورگر
-        return jsonify({"embedding": query_embedding_list})
-
-    except Exception as e:
-        logging.error(f"Error generating embedding on server: {e}", exc_info=True) # لاگ کامل خطا
-        return jsonify({"error": "Error generating embedding."}), 500
-
-# تابع اصلی برای اجرای سرور
-if __name__ == '__main__':
-    # بارگذاری مدل هنگام اجرای اسکریپت سرور
-    load_model(model_name)
-    # اجرای سرور Flask
-    # debug=True فقط برای توسعه - برای محیط نهایی باید False شود
-    # host='0.0.0.0' برای دسترسی از شبکه محلی
-    # port=5000 پورتی که سرور روی آن گوش میدهد
-    # threaded=True می تواند به مدیریت درخواست های همزمان کمک کند (برای توسعه کافی است)
-    app.run(debug=True, port=5000, host='0.0.0.0', threaded=True)