Refactor : deleting pre-upload method
Browse files
app.py
CHANGED
@@ -17,60 +17,6 @@ def home():
|
|
17 |
chart_data = dict()
|
18 |
return render_template('pdf.html', class_probabilities= class_probabilities, predicted_class=predict_class,chart_data = chart_data)
|
19 |
|
20 |
-
@app.route("/upload", methods=['POST'])
|
21 |
-
def process_pdf():
|
22 |
-
# Récupérer le fichier PDF de la requête
|
23 |
-
file = request.files['file']
|
24 |
-
filename = file.filename
|
25 |
-
|
26 |
-
# Enregistrer le fichier dans le répertoire de téléchargement
|
27 |
-
filepath = app.config['UPLOAD_FOLDER'] + "/" + filename
|
28 |
-
file.save(filepath)
|
29 |
-
|
30 |
-
# Ouvrir le fichier PDF
|
31 |
-
pdf_document = fitz.open(filepath)
|
32 |
-
|
33 |
-
# Initialiser une variable pour stocker le texte extrait
|
34 |
-
extracted_text = ""
|
35 |
-
|
36 |
-
# Boucler à travers chaque page pour extraire le texte
|
37 |
-
for page_num in range(len(pdf_document)):
|
38 |
-
# Récupérer l'objet de la page
|
39 |
-
page = pdf_document.load_page(page_num)
|
40 |
-
|
41 |
-
# Extraire le texte de la page
|
42 |
-
page_text = page.get_text()
|
43 |
-
|
44 |
-
# Ajouter le texte de la page à la variable d'extraction
|
45 |
-
extracted_text += f"\nPage {page_num + 1}:\n{page_text}"
|
46 |
-
|
47 |
-
# Fermer le fichier PDF
|
48 |
-
pdf_document.close()
|
49 |
-
|
50 |
-
# Charger le tokenizer
|
51 |
-
tokenizer = BertTokenizer.from_pretrained(r"C:\Users\user\Desktop\3A\PFE\France\Stage PFE\models1-20240411T071206Z-001\models1\bert_tokenizer")
|
52 |
-
# Charger le modèle
|
53 |
-
model = BertForSequenceClassification.from_pretrained(r"C:\Users\user\Desktop\3A\PFE\France\Stage PFE\models1-20240411T071206Z-001\models1\bert_model")
|
54 |
-
|
55 |
-
# Charger les labels
|
56 |
-
with open(r"C:\Users\user\Desktop\3A\PFE\France\Stage PFE\models1-20240411T071206Z-001\models1\labels.pkl", 'rb') as f:
|
57 |
-
labels = pickle.load(f)
|
58 |
-
|
59 |
-
# Prétraiter le texte extrait
|
60 |
-
inputs = tokenizer(extracted_text, return_tensors="pt", padding=True, truncation=True)
|
61 |
-
|
62 |
-
# Passer l'entrée à travers le modèle pour obtenir les prédictions
|
63 |
-
with torch.no_grad():
|
64 |
-
outputs = model(**inputs)
|
65 |
-
|
66 |
-
# Obtenir les prédictions de classe
|
67 |
-
predicted_class_id = torch.argmax(outputs.logits, dim=1).item()
|
68 |
-
predicted_class = labels[predicted_class_id]
|
69 |
-
|
70 |
-
# Retourner la prédiction de classe ainsi que le texte extrait
|
71 |
-
return render_template("home.html", extracted_text=extracted_text, predicted_class=predicted_class)
|
72 |
-
|
73 |
-
|
74 |
@app.route('/pdf')
|
75 |
def pdf():
|
76 |
predict_class = ""
|
|
|
17 |
chart_data = dict()
|
18 |
return render_template('pdf.html', class_probabilities= class_probabilities, predicted_class=predict_class,chart_data = chart_data)
|
19 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
20 |
@app.route('/pdf')
|
21 |
def pdf():
|
22 |
predict_class = ""
|