LIRAGTBackup

Running

App Files Files Community

LIRAGTBackup / utils.py

alexkueck

Update utils.py

f884165 verified 4 months ago

raw history blame contribute delete

No virus

50.9 kB

	from __future__ import annotations
	from typing import TYPE_CHECKING, Any, Callable, Dict, List, Tuple, Type
	import logging
	import json
	import os
	from datetime import datetime
	import hashlib
	import csv
	import requests
	import re
	import html
	import markdown2
	import torch
	import sys
	import gc
	from pygments.lexers import guess_lexer, ClassNotFound
	import time
	import json
	import operator
	from typing import Annotated, Sequence, TypedDict
	import pprint

	import gradio as gr
	from pypinyin import lazy_pinyin
	import tiktoken
	import mdtex2html
	from markdown import markdown
	from pygments import highlight
	from pygments.lexers import guess_lexer,get_lexer_by_name
	from pygments.formatters import HtmlFormatter

	from langchain.chains import LLMChain, RetrievalQA
	from langgraph.graph import END, StateGraph
	from langchain_openai import ChatOpenAI
	from langchain_community.document_loaders import PyPDFLoader, WebBaseLoader, UnstructuredWordDocumentLoader, DirectoryLoader
	from langchain.document_loaders.blob_loaders.youtube_audio import YoutubeAudioLoader
	from langchain.document_loaders.generic import GenericLoader
	from langchain.document_loaders.parsers import OpenAIWhisperParser
	from langchain.schema import AIMessage, HumanMessage
	from langchain_community.llms import HuggingFaceHub
	from langchain_community.llms import HuggingFaceTextGenInference
	from langchain_community.embeddings import HuggingFaceInstructEmbeddings, HuggingFaceEmbeddings, HuggingFaceBgeEmbeddings, HuggingFaceInferenceAPIEmbeddings
	from langchain_community.tools import DuckDuckGoSearchRun
	from langchain.retrievers.tavily_search_api import TavilySearchAPIRetriever
	from typing import Dict, TypedDict
	from langchain_core.messages import BaseMessage
	from langchain_openai import OpenAIEmbeddings
	from langchain.prompts import PromptTemplate


	from langchain import hub
	from langchain.output_parsers.openai_tools import PydanticToolsParser
	from langchain.prompts import PromptTemplate
	from langchain.schema import Document
	from langchain_community.tools.tavily_search import TavilySearchResults
	from langchain_community.vectorstores import Chroma
	from langchain_core.messages import BaseMessage, FunctionMessage
	from langchain_core.output_parsers import StrOutputParser
	from langchain_core.pydantic_v1 import BaseModel, Field
	from langchain_core.runnables import RunnablePassthrough
	from langchain_core.utils.function_calling import convert_to_openai_tool
	from langchain.text_splitter import RecursiveCharacterTextSplitter
	from langchain_community.vectorstores import Chroma
	from chromadb.errors import InvalidDimensionException
	import io
	from PIL import Image, ImageDraw, ImageOps, ImageFont
	import base64
	from tempfile import NamedTemporaryFile

	import nltk
	from nltk.corpus import stopwords
	from nltk.tokenize import word_tokenize
	from nltk.stem import WordNetLemmatizer
	nltk.download('punkt')

	from sklearn.feature_extraction.text import TfidfVectorizer
	from sklearn.metrics.pairwise import cosine_similarity
	import numpy as np

	from reportlab.lib.pagesizes import inch, A4
	from reportlab.platypus import SimpleDocTemplate, Frame, Spacer
	from reportlab.lib import colors
	from reportlab.lib.units import mm
	from reportlab.platypus import Paragraph, SimpleDocTemplate, Frame, Image, Table, ListFlowable, ListItem
	from reportlab.lib.styles import getSampleStyleSheet, ParagraphStyle
	from reportlab.lib.units import cm

	logging.basicConfig(
	level=logging.INFO,
	format="%(asctime)s [%(levelname)s] [%(filename)s:%(lineno)d] %(message)s",
	)

	################################################
	#Beispiel-Antworten, wenn die KI etwas nicht beantworten kann - dann im Netz suchen
	################################################
	# Your predefined sentences
	ANTWORT_WEISS_NICHT = ["ich weiß nicht.", "ich weiß das nicht", "Ich habe dazu keine Antwort", "Ich bin nicht sicher", "Ich kann das nicht beantworten", "Es tut mir leid, aber ich kenne keinen", "Es tut mir leid, aber ich kann die Frage nicht beantworten.", "Es tut mir leid, aber ich kann die Frage nicht beantworten, da ich zu der Frage keine spezifischen Informatioen habe"]

	#################################################
	#Gesetzte Werte für Pfade, Prompts und Keys..
	#################################################
	#################################################
	#Prompt Zusätze
	template = """\Antworte in deutsch, wenn es nicht explizit anders gefordert wird. Wenn du die Antwort nicht kennst, antworte direkt, dass du es nicht weißt.
	Versuche nicht es zu umschreiben. Versuche nicht, die Antwort zu erfinden oder aufzumocken. Halte die Antwort kurz aber ausführlich genug und exakt."""

	llm_template = "Beantworte die Frage am Ende. " + template + "Frage: {question} "
	#nur für HF für Stichwotre bei chatverlauf
	llm_template2 = "Fasse folgenden Text als Überschrift mit maximal 3 Worten zusammen. Text: {question} "

	rag_template = "Nutze die folgenden Kontexte (Beginnend mit dem Wort 'Kontext:') aus Teilen aus den angehängten Dokumenten, um die Frage (Beginnend mit dem Wort 'Frage: ') am Ende zu beantworten. Wenn du die Frage aus dem folgenden Kontext nicht beantworten kannst, dann versuche eine Beantwortung aus deinen eigenen trainierten Daten zu finden. Mache das kenntlich, ob du dich auf den hier angehängten Kontext beziehst oder ob du anhand deiner Daten antwortest. Wenn du dich auf den angegebenen Kontext beziehst, gib unbedingt den Namen des Dokumentes an, auf den du dich beziehst." + template + "Kontext: {context} Frage: {question}"

	#################################################
	#Konstanten
	LLM_CHAIN_PROMPT = PromptTemplate(input_variables = ["question"],
	template = llm_template)
	#nur für HF bei chatverlauf
	LLM_CHAIN_PROMPT2 = PromptTemplate(input_variables = ["question"],
	template = llm_template2)

	RAG_CHAIN_PROMPT = PromptTemplate(input_variables = ["context", "question"],
	template = rag_template)


	################################################
	#Pfad, wo Docs/Bilder/Filme abgelegt werden können - lokal, also hier im HF Space (sonst auf eigenem Rechner)
	PATH_WORK = "."
	CHROMA_DIR = "/chroma/kkg"
	CHROMA_PDF = './chroma/kkg/pdf'
	CHROMA_WORD = './chroma/kkg/word'
	CHROMA_EXCEL = './chroma/kkg/excel'
	YOUTUBE_DIR = "/youtube"
	HISTORY_PFAD = "/data/history"

	###############################################
	#URLs zu Dokumenten oder andere Inhalte, die einbezogen werden sollen
	PDF_URL = "https://arxiv.org/pdf/2303.08774.pdf"
	WEB_URL = "https://openai.com/research/gpt-4"
	YOUTUBE_URL_1 = "https://www.youtube.com/watch?v=--khbXchTeE"
	YOUTUBE_URL_2 = "https://www.youtube.com/watch?v=hdhZwyf24mE"
	#YOUTUBE_URL_3 = "https://www.youtube.com/watch?v=vw-KWfKwvTQ"
	#spezielle Webseiten als Datenbasis laden
	urls = [
	"https://kkg.hamburg.de/unser-leitbild/"
	"https://kkg.hamburg.de/unsere-schulcharta/",
	"https://kkg.hamburg.de/koordination-unterrichtsentwicklung/",
	"https://kkg.hamburg.de/konzept-medien-und-it-am-kkg/",
	]

	#################################################
	# Retrieval Funktion, um KI-Antwort mit vorgegebenen zu vergleichen
	# Function to determine if the response is similar to predefined responses
	def is_response_similar(response, threshold=0.7):
	if (len(response) < 160): #nur bei sehr kurzen Antworten prüfen, ob eine Art 2ich weiß nicht dabei ist
	# Combine the standard responses with the user's response
	combined_responses = ANTWORT_WEISS_NICHT + [response]

	# Convert text to TF-IDF feature vectors
	vectorizer = TfidfVectorizer()
	tfidf_matrix = vectorizer.fit_transform(combined_responses)

	# Compute cosine similarity between user's response and standard responses
	cosine_similarities = cosine_similarity(tfidf_matrix[-1], tfidf_matrix[:-1])

	# Check if any of the standard responses are similar to the user's response
	if np.max(cosine_similarities) > threshold:
	return True
	return False
	return False


	##################################################
	#Normalisierung eines Prompts
	##################################################
	def normalise_prompt (prompt):
	#alles Kleinbuchstaben
	prompt_klein =prompt.lower()
	#Word Tokenisation
	tokens = word_tokenize(prompt_klein)
	#Punktuierung entfernen
	tokens = [word for word in tokens if word.isalnum()]
	# Stop Word Entfernung
	#nltk.download('stopwords')
	#stop_words = set(stopwords.words('english'))
	#tokens = [word for word in tokens if not word in stop_words]
	# 5. Lemmatisierung: Worte in Grundform bringen, um Text besser vergleichen zu können
	#nltk.download('wordnet')
	#lemmatizer = WordNetLemmatizer()
	#tokens = [lemmatizer.lemmatize(word) for word in tokens]
	# 6. Handling Special Characters (Remove non-alphanumeric characters)
	tokens = [re.sub(r'\W+', '', word) for word in tokens]
	# 7. Spell Check (optional, using a library like pyspellchecker)
	# from spellchecker import SpellChecker
	# spell = SpellChecker()
	# tokens = [spell.correction(word) for word in tokens]
	# Join tokens back to sentence
	normalized_prompt = ' '.join(tokens)
	print("normaiserd prompt..................................")
	print(normalized_prompt)
	return normalized_prompt

	##################################################
	#RAG Hilfsfunktionen - Dokumenten bearbeiten für Vektorstore
	##################################################
	##################################################
	# Funktion, um für einen best. File-typ ein directory-loader zu definieren
	def create_directory_loader(file_type, directory_path):
	#verscheidene Dokument loaders:
	loaders = {
	'.pdf': PyPDFLoader,
	'.word': UnstructuredWordDocumentLoader,
	}
	return DirectoryLoader(
	path=directory_path,
	glob=f"*/{file_type}",
	loader_cls=loaders[file_type],
	)
	################################################
	#die Inhalte splitten, um in Vektordatenbank entsprechend zu laden als Splits
	def document_loading_splitting():
	##############################
	# Document loading
	docs = []

	# kreiere einen DirectoryLoader für jeden file type
	pdf_loader = create_directory_loader('.pdf', CHROMA_PDF)
	word_loader = create_directory_loader('.word', CHROMA_WORD)

	# Load the files
	pdf_documents = pdf_loader.load()
	word_documents = word_loader.load()

	#urls -zum Thema passend
	docs_web = [WebBaseLoader(url).load() for url in urls]
	docs_list = [item for sublist in docs_web for item in sublist]

	#alle zusammen in docs...
	#pdf_docs als Liste umschreiben, um es mit den anderen Materialien in der docs_list zusammenzubringen
	pdf_list = [pdf_documents]
	word_list = [word_documents]
	#die neuen Dokeumente der Gesamt-Liste von material hinzufügen
	#alle zusammen in docs...
	for doc in pdf_list:
	docs_list.extend(doc)
	for doc in word_list:
	docs_list.extend(doc)

	#andere loader...
	# Load PDF
	#loader = PyPDFLoader(PDF_URL)
	#docs.extend(loader.load())
	# Load Web
	#loader = WebBaseLoader(WEB_URL)
	#docs.extend(loader.load())
	# Load YouTube
	#loader = GenericLoader(YoutubeAudioLoader([YOUTUBE_URL_1,YOUTUBE_URL_2], PATH_WORK + YOUTUBE_DIR), OpenAIWhisperParser())
	#docs.extend(loader.load())
	################################
	# Document splitting
	text_splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(chunk_size=1500, chunk_overlap=250)
	doc_splits = text_splitter.split_documents(docs_list)
	#text_splitter = RecursiveCharacterTextSplitter(chunk_overlap = 150, chunk_size = 1500)
	#splits = text_splitter.split_documents(docs)

	return doc_splits

	###########################################
	#Chroma DB die splits ablegen - vektorisiert...
	def document_storage_chroma(splits):
	# Add to vectorDB - mit Embeddings von OpenAi - Embeddings sind zur Klassifizierung der Dokumente im Vektorraum nötig
	vectorstore = Chroma.from_documents(documents = splits, embedding = OpenAIEmbeddings(disallowed_special = ()), persist_directory = PATH_WORK + CHROMA_DIR)
	retriever = vectorstore.as_retriever(search_kwargs = {"k": 5})

	#HF embeddings--------------------------------------
	#Chroma.from_documents(documents = splits, embedding = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False}), persist_directory = PATH_WORK + CHROMA_DIR)
	return vectorstore, retriever


	#Dokumente, die vom Retriever rausgesucht wurden auf Relevanz untersuchen
	def grade_documents_direct(prompt, documents):
	print("---CHECK RELEVANCE---")

	# Data model
	class grade(BaseModel):
	#Binary score for relevance check.
	binary_score: str = Field(description="Relevanz Bewertung 'ja' oder 'nein'")

	# LLM
	model = ChatOpenAI(temperature=0.3, model="gpt-3.5-turbo-1106", streaming=True)

	# Tool
	grade_tool_oai = convert_to_openai_tool(grade)

	# LLM with tool and enforce invocation
	llm_with_tool = model.bind(
	tools=[convert_to_openai_tool(grade_tool_oai)],
	tool_choice={"type": "function", "function": {"name": "grade"}},
	)

	# Parser
	parser_tool = PydanticToolsParser(tools=[grade])

	# Prompt
	prompt_gesamt = PromptTemplate(
	template="""Du bist ein Bewerter, der die Relevanz von einem erhaltenen Dokument zu einer Nutzeranfrage bewerten soll. \n
	Hier ist das erhaltene Dokument: \n\n {context} \n\n
	Hier ist die Nutzeranfrage: {question} \n
	Wenn das erhaltene Dokument Keywörter oder semantische Bedeutung in Bezug auf die Nutzeranfrage hat, bewerte es als relevant. \n
	Gib eine binäre Bewertung von 'ja' oder 'nein' Bewertung, um anzuzeigen ob das Dokuemnt relevant ist zur Nutzeranfrage oder nicht.""",
	input_variables=["context", "question"],
	)

	# Chain
	chain = prompt_gesamt \| llm_with_tool \| parser_tool

	# Score
	filtered_docs = []
	for d in documents:
	#print(d.page_content)
	score = chain.invoke({"question": prompt, "context": d.page_content})
	grade = score[0].binary_score
	if grade == "ja":
	print("---Bewertung: Dokument ist relevant---")
	filtered_docs.append(d)
	else:
	print("---Bewertung: Dokument irrelevant---")
	continue

	return filtered_docs

	#Prompt überarbeiten, wenn RAG angeschaltet, aber der Relevanz Check nicht genügend positive Eergebnisse gebracht hat
	#ChatGPT selbst formuliert den neuen Prompt
	def transform_query_direct(question):
	print("---TRANSFORM QUERY---")

	# Create a prompt template with format instructions and the query
	prompt = PromptTemplate(
	template="""Du generierst Fragen, die optimiert sind für das Retrieval von Dokumenten. \n
	Schaue auf den input und versuche die zugrundeliegende Absicht / Bedeutung zu bewerten. \n
	Hier ist die ursprüngliche Frage:
	\n ------- \n
	{question}
	\n ------- \n
	Formuliere eine verbesserte Frage: """,
	input_variables=["question"],
	)

	# Grader
	model = ChatOpenAI(temperature=0, model="gpt-4-0125-preview", streaming=True)

	# Prompt
	chain = prompt \| model \| StrOutputParser()
	better_question = chain.invoke({"question": question})

	return better_question


	###############################################
	#Langchain anlegen
	###############################################
	#langchain nutzen, um prompt an LLM zu leiten - llm und prompt sind austauschbar
	def llm_chain(llm, prompt):
	llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
	result = llm_chain.run({"question": prompt})
	return result

	#nur für HF-um bei chatverlauf kurzbeschreibung zu erzeugen
	def llm_chain2(llm, prompt):
	llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT2)
	result = llm_chain.run({"question": prompt})
	return result


	#############################################
	#langchain nutzen, um prompt an llm zu leiten, aber vorher in der VektorDB suchen, um passende splits zum Prompt hinzuzufügen
	#die erhaltenen dokumente (vom retriever) werden einem Relevanzcheck unterzogen, bevor sie an ChatGPT zum Beantworten gehen
	#den Relevanzcheck macht ebenfalls ein anderes KI-Modell. Wenn zu wenig relevante Dokumente rausgesucht wurden, wird die ursprüngliche Freage neu formuliert - und ein zweiter Versuch findet statt
	def rag_chain(llm, prompt, retriever):
	#Langgraph nutzen für ein wenig mehr Intelligenz beim Dokumente suchen
	relevant_docs=[]
	filtered_docs=[]
	relevant_docs = retriever.get_relevant_documents(prompt)
	print("releant docs1......................")
	print(relevant_docs)
	if (len(relevant_docs)>0):
	filtered_docs = grade_documents_direct(prompt, relevant_docs)

	neu_prompt=prompt
	if (len(filtered_docs)<2): #frage neu formulieren
	relevant_docs=[]
	neu_prompt = transform_query_direct(prompt)
	relevant_docs = retriever.get_relevant_documents(neu_prompt)
	if (len(relevant_docs)>0):
	print("releant docs2......................")
	print(relevant_docs)
	filtered_docs = grade_documents_direct(neu_prompt, relevant_docs)

	if (len(filtered_docs)>0):
	llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT)
	result = llm_chain.run({"context": filtered_docs, "question": neu_prompt})
	else:
	#Normale Abfrage, da keine relevanten Dokumente gefunden
	llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
	result = llm_chain.run({"question": neu_prompt})
	return result


	############################################
	#dokumente in chroma db vektorisiert ablegen können - die Db vorbereiten daüfur
	def document_retrieval_chroma(llm, prompt):
	#OpenAI embeddings -------------------------------
	embeddings = OpenAIEmbeddings()

	#HF embeddings -----------------------------------
	#Alternative Embedding - für Vektorstore, um Ähnlichkeitsvektoren zu erzeugen - die ...InstructEmbedding ist sehr rechenaufwendig
	#embeddings = HuggingFaceInstructEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2", model_kwargs={"device": "cpu"})
	#etwas weniger rechenaufwendig:
	#embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False})

	#ChromaDb um die embedings zu speichern
	db = Chroma(embedding_function = embeddings, persist_directory = PATH_WORK + CHROMA_DIR)
	return db

	############################################
	#dokumente in chroma db vektorisiert ablegen können - die Db vorbereiten daüfur
	#zweite Variante, passend zu rag_chain2 für generate_text_mit_bild- ohne llm vorher festlegen zu müssen
	def document_retrieval_chroma2():
	#OpenAI embeddings -------------------------------
	embeddings = OpenAIEmbeddings()

	#HF embeddings -----------------------------------
	#Alternative Embedding - für Vektorstore, um Ähnlichkeitsvektoren zu erzeugen - die ...InstructEmbedding ist sehr rechenaufwendig
	#embeddings = HuggingFaceInstructEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2", model_kwargs={"device": "cpu"})
	#etwas weniger rechenaufwendig:
	#embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False})
	#oder einfach ohne Langchain:
	#embeddings = SentenceTransformerEmbeddings(model_name="all-MiniLM-L6-v2")

	#ChromaDb um die embedings zu speichern
	db = Chroma(embedding_function = embeddings, persist_directory = PATH_WORK + CHROMA_DIR)
	print ("Chroma DB bereit ...................")

	return db

	###########################################
	#dokumente in mongo db vektorisiert ablegen können - die Db vorbereiten daüfür
	def document_retrieval_mongodb(llm, prompt):
	db = MongoDBAtlasVectorSearch.from_connection_string(MONGODB_URI,
	MONGODB_DB_NAME + "." + MONGODB_COLLECTION_NAME,
	OpenAIEmbeddings(disallowed_special = ()),
	index_name = MONGODB_INDEX_NAME)
	return db

	###############################################
	#Langchain anlegen
	###############################################
	#langchain nutzen, um prompt an LLM zu leiten - llm und prompt sind austauschbar
	def llm_chain(llm, prompt):
	llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
	result = llm_chain.run({"question": prompt})
	return result

	#nur für HF-um bei chatverlauf kurzbeschreibung zu erzeugen
	def llm_chain2(llm, prompt):
	llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT2)
	result = llm_chain.run({"question": prompt})
	return result
	#############################################
	#von der Vektordatenbank relevante Dokumente, die zum Prrompt passen raussuchen und mit anhängen
	#vor dem Anhängen werden die Dokumente auf Relevnz gecheckt - sind nicht genüend relevante Docs dabei, wird der prompt von einer anderen KI neu formuliert und
	#es wird versucht aus der Vektordatenbak dadurch weitere Dokumente, die relevant sind, herauszuholen.
	def rag_chain(llm, prompt, retriever):
	#Langgraph nutzen für ein wenig mehr Intelligenz beim Dokumente suchen
	relevant_docs=[]
	filtered_docs=[]
	relevant_docs = retriever.get_relevant_documents(prompt)
	print("releant docs1......................")
	print(relevant_docs)
	if (len(relevant_docs)>0):
	filtered_docs = grade_documents_direct(prompt, relevant_docs)

	neu_prompt=prompt
	if (len(filtered_docs)<2): #frage neu formulieren
	relevant_docs=[]
	neu_prompt = transform_query_direct(prompt)
	relevant_docs = retriever.get_relevant_documents(neu_prompt)
	if (len(relevant_docs)>0):
	print("releant docs2......................")
	print(relevant_docs)
	filtered_docs = grade_documents_direct(neu_prompt, relevant_docs)

	if (len(filtered_docs)>0):
	llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT)
	result = llm_chain.run({"context": filtered_docs, "question": neu_prompt})
	else:
	#Normale Abfrage, da keine relevanten Dokumente gefunden
	llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
	result = llm_chain.run({"question": neu_prompt})
	return result


	############################################
	# rag_chain Alternative für RAg mit Bild-Upload, da hier das llm so nicht genutzt werden kann und der prompt mit den RAG Erweiterungen anders übergeben wird
	#langchain nutzen, um prompt an llm zu leiten, aber vorher in der VektorDB suchen, um passende splits zum Prompt hinzuzufügen
	#prompt mit RAG!!!
	def rag_chain2(prompt, db, k=3):
	rag_template = "Nutze die folgenden Kontext Teile am Ende, um die Frage zu beantworten . " + template + "Frage: " + prompt + "Kontext Teile: "
	retrieved_chunks = db.similarity_search(prompt, k)

	neu_prompt = rag_template
	for i, chunk in enumerate(retrieved_chunks):
	neu_prompt += f"{i+1}. {chunk}\n"

	return neu_prompt

	###################################################
	#Prompts mit History erzeugen für verschiednee Modelle
	###################################################
	#Funktion, die einen Prompt mit der history zusammen erzeugt - allgemein
	def generate_prompt_with_history(text, history, max_length=4048):
	#prompt = "The following is a conversation between a human and an AI assistant named Baize (named after a mythical creature in Chinese folklore). Baize is an open-source AI assistant developed by UCSD and Sun Yat-Sen University. The human and the AI assistant take turns chatting. Human statements start with [\|Human\|] and AI assistant statements start with [\|AI\|]. The AI assistant always provides responses in as much detail as possible, and in Markdown format. The AI assistant always declines to engage with topics, questions and instructions related to unethical, controversial, or sensitive issues. Complete the transcript in exactly that format.\n[\|Human\|]Hello!\n[\|AI\|]Hi!"
	#prompt = "Das folgende ist eine Unterhaltung in deutsch zwischen einem Menschen und einem KI-Assistenten, der Baize genannt wird. Baize ist ein open-source KI-Assistent, der von UCSD entwickelt wurde. Der Mensch und der KI-Assistent chatten abwechselnd miteinander in deutsch. Die Antworten des KI Assistenten sind immer so ausführlich wie möglich und in Markdown Schreibweise und in deutscher Sprache. Wenn nötig übersetzt er sie ins Deutsche. Die Antworten des KI-Assistenten vermeiden Themen und Antworten zu unethischen, kontroversen oder sensiblen Themen. Die Antworten sind immer sehr höflich formuliert..\n[\|Human\|]Hallo!\n[\|AI\|]Hi!"
	prompt=""
	history = ["\n{}\n{}".format(x[0],x[1]) for x in history]
	history.append("\n{}\n".format(text))
	history_text = ""
	flag = False
	for x in history[::-1]:
	history_text = x + history_text
	flag = True
	print("hist+prompt: ")
	print(history_text)
	if flag:
	return prompt+history_text
	else:
	return None


	##############################################
	#Prompt und History für OPenAi Schnittstelle
	def generate_prompt_with_history_openai(prompt, history):
	history_openai_format = []
	for human, assistant in history:
	history_openai_format.append({"role": "user", "content": human })
	history_openai_format.append({"role": "assistant", "content":assistant})

	history_openai_format.append({"role": "user", "content": prompt})
	print("openai history und prompt................")
	print(history_openai_format)
	return history_openai_format

	#############################################
	#Prompt und History für Hugging Face Schnittstelle
	def generate_prompt_with_history_hf(prompt, history):
	history_transformer_format = history + [[prompt, ""]]
	#stop = StopOnTokens()

	messages = "".join(["".join(["\n<human>:"+item[0], "\n<bot>:"+item[1]]) #curr_system_message +
	for item in history_transformer_format])

	##############################################
	#Prompt und History für Langchain Schnittstelle
	def generate_prompt_with_history_langchain(prompt, history):
	history_langchain_format = []
	for human, ai in history:
	history_langchain_format.append(HumanMessage(content=human))
	history_langchain_format.append(AIMessage(content=ai))
	history_langchain_format.append(HumanMessage(content=prompt))

	return history_langchain_format

	##########################################
	#Json für OpenAI Genaeration Chat zusammenstellen
	##########################################
	##########################################
	#ein hochgeladenes Bild so vorbereiten, dass OpenAI API es annehmen kann und bearbeiten
	#muss ein base64 Bils sein und header und payload entsprechend konfigurieren
	def process_image(image_path, prompt, model_image, oai_key):
	# Convert image to base64
	with open(image_path, "rb") as image_file:
	encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

	# Prepare the data for the API request (specific to the API you're using)
	headers = {
	"Content-Type": "application/json",
	"Authorization": f"Bearer {oai_key}"
	}
	payload = {
	"model": model_image,
	"messages": [
	{
	"role": "user",
	"content": [
	{
	"type": "text",
	"text": llm_template + prompt
	},
	{
	"type": "image_url",
	"image_url": {
	"url": f"data:image/jpeg;base64,{encoded_string}"
	}
	}
	]
	}
	],
	"max_tokens": 300
	}
	return headers, payload


	def process_chatverlauf(prompt, model, oai_key):
	#um die Abfrage nur für den Namen des chats nicht zu lang werden zu lassen, den Prompt begrenzen:
	if (len(prompt)>50):
	prompt = prompt[:50]
	# Prepare the data for the API request (specific to the API you're using)
	headers = {
	"Content-Type": "application/json",
	"Authorization": f"Bearer {oai_key}"
	}
	payload = {
	"model": model,
	"messages": [
	{
	"role": "user",
	"content": [
	{
	"type": "text",
	"text": 'Gib folgendem Text eine Überschrift mit maximal 2 Worten' + prompt
	},
	]
	}
	],
	"max_tokens": 100
	}
	return headers, payload

	def process_chatverlauf_hf(history, llm):
	input = generate_prompt_with_history("Gib folgendem Text eine Überschrift mit maximal 3 Worten", history)
	result = llm_chain2(llm, input)
	return result

	#######################################################
	#Funktionen, um aus der summary des chatverlaufs eine Datei zu machen, die man downloaden kann
	def save_and_download(chat_history):
	# Speichere den Chatverlauf in einer temporÃ¤ren Datei
	with NamedTemporaryFile(delete=False, mode="w", suffix=".txt", dir="./temp") as tmp:
	temp_file_path = tmp.name
	tmp.write(chat_history)
	return temp_file_path

	def cleanup(file_path):
	if os.path.exists(file_path):
	os.remove(file_path)


	########################################################
	#Ausgabe im Chatbot aufhübschen...
	########################################################
	def markdown_to_html_with_syntax_highlight(md_str):
	def replacer(match):
	lang = match.group(1) or "text"
	code = match.group(2)
	lang = lang.strip()
	#print(1,lang)
	if lang=="text":
	lexer = guess_lexer(code)
	lang = lexer.name
	#print(2,lang)
	try:
	lexer = get_lexer_by_name(lang, stripall=True)
	except ValueError:
	lexer = get_lexer_by_name("python", stripall=True)
	formatter = HtmlFormatter()
	#print(3,lexer.name)
	highlighted_code = highlight(code, lexer, formatter)

	return f'<pre><code class="{lang}">{highlighted_code}</code></pre>'

	code_block_pattern = r"```(\w+)?\n([\s\S]+?)\n```"
	md_str = re.sub(code_block_pattern, replacer, md_str, flags=re.MULTILINE)

	html_str = markdown(md_str)
	return html_str


	def normalize_markdown(md_text: str) -> str:
	lines = md_text.split("\n")
	normalized_lines = []
	inside_list = False

	for i, line in enumerate(lines):
	if re.match(r"^(\d+\.\|-\|\*\|\+)\s", line.strip()):
	if not inside_list and i > 0 and lines[i - 1].strip() != "":
	normalized_lines.append("")
	inside_list = True
	normalized_lines.append(line)
	elif inside_list and line.strip() == "":
	if i < len(lines) - 1 and not re.match(
	r"^(\d+\.\|-\|\*\|\+)\s", lines[i + 1].strip()
	):
	normalized_lines.append(line)
	continue
	else:
	inside_list = False
	normalized_lines.append(line)

	return "\n".join(normalized_lines)


	def convert_mdtext(md_text):
	code_block_pattern = re.compile(r"```(.*?)(?:```\|$)", re.DOTALL)
	inline_code_pattern = re.compile(r"`(.*?)`", re.DOTALL)
	code_blocks = code_block_pattern.findall(md_text)
	non_code_parts = code_block_pattern.split(md_text)[::2]

	result = []
	for non_code, code in zip(non_code_parts, code_blocks + [""]):
	if non_code.strip():
	non_code = normalize_markdown(non_code)
	if inline_code_pattern.search(non_code):
	result.append(markdown(non_code, extensions=["tables"]))
	else:
	result.append(mdtex2html.convert(non_code, extensions=["tables"]))
	if code.strip():
	code = f"\n```{code}\n\n```"
	code = markdown_to_html_with_syntax_highlight(code)
	result.append(code)
	result = "".join(result)
	result += ALREADY_CONVERTED_MARK
	return result

	def convert_asis(userinput):
	return f"<p style=\"white-space:pre-wrap;\">{html.escape(userinput)}</p>"+ALREADY_CONVERTED_MARK

	def detect_converted_mark(userinput):
	if userinput.endswith(ALREADY_CONVERTED_MARK):
	return True
	else:
	return False



	def detect_language(code):
	if code.startswith("\n"):
	first_line = ""
	else:
	first_line = code.strip().split("\n", 1)[0]
	language = first_line.lower() if first_line else ""
	code_without_language = code[len(first_line) :].lstrip() if first_line else code
	return language, code_without_language

	def convert_to_markdown(text):
	text = text.replace("$","$")
	def replace_leading_tabs_and_spaces(line):
	new_line = []

	for char in line:
	if char == "\t":
	new_line.append(" ")
	elif char == " ":
	new_line.append(" ")
	else:
	break
	return "".join(new_line) + line[len(new_line):]

	markdown_text = ""
	lines = text.split("\n")
	in_code_block = False

	for line in lines:
	if in_code_block is False and line.startswith("```"):
	in_code_block = True
	markdown_text += f"{line}\n"
	elif in_code_block is True and line.startswith("```"):
	in_code_block = False
	markdown_text += f"{line}\n"
	elif in_code_block:
	markdown_text += f"{line}\n"
	else:
	line = replace_leading_tabs_and_spaces(line)
	line = re.sub(r"^(#)", r"\\\1", line)
	markdown_text += f"{line} \n"

	return markdown_text

	def add_language_tag(text):
	def detect_language(code_block):
	try:
	lexer = guess_lexer(code_block)
	return lexer.name.lower()
	except ClassNotFound:
	return ""

	code_block_pattern = re.compile(r"(```)(\w*\n[^`]+```)", re.MULTILINE)

	def replacement(match):
	code_block = match.group(2)
	if match.group(2).startswith("\n"):
	language = detect_language(code_block)
	if language:
	return f"```{language}{code_block}```"
	else:
	return f"```\n{code_block}```"
	else:
	return match.group(1) + code_block + "```"

	text2 = code_block_pattern.sub(replacement, text)
	return text2

	def delete_last_conversation(chatbot, history):
	if len(chatbot) > 0:
	chatbot.pop()

	if len(history) > 0:
	history.pop()

	return (
	chatbot,
	history,
	"Delete Done",
	)

	def reset_state():
	return [], [], "Reset Done"

	def reset_textbox():
	return gr.update(value=""),""

	def cancel_outputing():
	return "Stop Done"


	##########################################
	#Extension des hochgeladenen Files bestimmen
	def analyze_file(file):
	file_extension = file.name.split('.')[-1] # Holen Sie sich die Dateiendung
	return file_extension

	########################################
	#Aus dem File-Pfad nur den Namen herausholen
	def get_filename(file_pfad):
	parts = file_pfad.rsplit('/', 1) # Den String nach dem letzten '/' aufteilen
	if len(parts) == 2:
	result = parts[1] # Der Teil nach dem letzten '/' ist in parts[1]
	else:
	result = "Ein Fehler im Filenamen ist aufgetreten..."
	return result

	########################################
	#Open Assistant Funktionen für File upload
	########################################
	def submit_message(assistant_id, thread, client, user_message):
	client.beta.threads.messages.create(
	thread_id=thread.id, role="user", content=user_message
	)
	return client.beta.threads.runs.create(
	thread_id=thread.id,
	assistant_id=assistant_id,
	)

	def get_response(thread, client, assi_id):
	return client.beta.threads.messages.list(thread_id=thread.id, order="asc")

	def create_thread_and_run(user_input, client, assi_id):
	thread = client.beta.threads.create()
	run = submit_message(assi_id, thread, client, user_input)
	return thread, run

	def pretty_print(messages):
	print("# Messages")
	for m in messages:
	print(f"{m.role}: {m.content[0].text.value}")
	print()

	# Waiting in a loop
	def wait_on_run(run, thread, client):
	while run.status == "queued" or run.status == "in_progress":
	run = client.beta.threads.runs.retrieve(
	thread_id=thread.id,
	run_id=run.id,
	)
	time.sleep(0.5)
	return run

	########################################
	# Tavility Search Machine
	def tavily_search(tavily_client, query):
	search_result = tavily_client.get_search_context(query, search_depth="advanced", max_tokens=8000)
	return search_result

	########################################
	# HuggingChat Search Machine
	def hugchat_search(chatbot, query):
	search_result = chatbot.query(query, web_search=True)
	#for source in query_result.web_search_sources:
	#print(source.link)
	#print(source.title)
	#print(source.hostname)
	return search_result.text, search_result.link

	########################################
	# nicht in Gebrauch: Assistant für Websuche anlgen
	def openai_assistant_suche(client):
	assistant = client.beta.assistants.create(
	instructions=template,
	model="gpt-4-1106-preview",
	tools=[{
	"type": "function",
	"function": {
	"name": "tavily_search",
	"description": "Get information on recent events from the web.",
	"parameters": {
	"type": "object",
	"properties": {
	"query": {"type": "string", "description": "Die Suchanfrage, die die KI nicht beantworten konnte, hier hinein"},
	},
	"required": ["query"]
	}
	}
	}]
	)
	return assistant


	#########################################
	#Bildbearbeitung
	#########################################
	#########################################
	#nicht im Einsatz, da Stable Diffusion die Bilder erzeugt
	def create_picture(history, prompt):
	client = OpenAI()
	response = client.images.generate(model="dall-e-3", prompt=prompt,size="1024x1024",quality="standard",n=1,)
	image_url = response.data[0].url
	# using requests library to get the image in bytes
	response2 = requests.get(image_url)
	# using the Image module from PIL library to view the image
	image = Image.open(response2.raw)
	return image

	########################################
	# Ausgabe in PDF des Chathistory
	########################################
	"""
	#Aufzählungen in der History erkennen und auch als Auflistung darstellen
	def erkennen_und_formatieren_von_aufzaehlungen_backup(text, styles):
	# Aufzählungszeichen oder Nummerierungen erkennen
	aufzaehlungszeichen = ['-', '*', '•']
	nummerierung = [f'{i}.' for i in range(1, 11)] # Beispiel für einfache Nummerierungserkennung
	nummerierung2 = [f'{i}. ' for i in range(1, 11)]
	nummerierung3 = [f' {i}. ' for i in range(1, 11)]

	zeilen = text.split('\n')
	list_items = []

	for zeile in zeilen:
	# Prüft, ob die Zeile mit einem Aufzählungszeichen oder einer Nummerierung beginnt
	if any(zeile.lstrip().startswith(zeichen) for zeichen in aufzaehlungszeichen + nummerierung + nummerierung2 + nummerierung3) :
	# Entfernt das Aufzählungszeichen/Nummerierung für die Darstellung
	for zeichen in aufzaehlungszeichen + nummerierung + nummerierung2 + nummerierung3:
	if zeile.lstrip().startswith(zeichen):
	zeile = zeile.lstrip()[len(zeichen):].lstrip()
	break
	list_items.append(ListItem(Paragraph(zeile, styles['BodyText'])))
	else:
	# Wenn die Zeile nicht als Teil einer Aufzählung erkannt wird, breche die Schleife ab
	break

	if list_items:
	# Eine Aufzählung wurde erkannt
	return ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica')
	else:
	# Keine Aufzählung erkannt, gebe einen normalen Paragraph zurück
	return Paragraph(text, styles['BodyText'])


	#Aufzählungen in der History erkennen und auch als Auflistung darstellen
	def erkennen_und_formatieren_von_aufzaehlungen(text, styles):
	# Aufzählungszeichen oder Nummerierungen erkennen
	aufzaehlungszeichen = ['-', '*', '•']
	# Regulärer Ausdruck für Nummerierungen (z.B. "1.", "2.")
	# Verbesserter regulärer Ausdruck, der optionale Leerzeichen vor der Nummerierung berücksichtigt
	nummerierung_regex = r"^\s\d+\.\s" # Optional Leerzeichen, gefolgt von Ziffern und einem Punkt, dann Leerzeichen

	zeilen = text.split('\n')
	list_items = []

	for zeile in zeilen:
	# Prüft, ob die Zeile mit einem Aufzählungszeichen beginnt
	print("zeile:.............................")
	print(zeile)
	if any(zeile.lstrip().startswith(zeichen) for zeichen in aufzaehlungszeichen) or re.match(nummerierung_regex, zeile.lstrip()):
	# Entfernt das Aufzählungszeichen/Nummerierung für die Darstellung
	if (re.match(nummerierung_regex, zeile.lstrip())):
	cleaned_line = re.sub(nummerierung_regex, '', zeile.lstrip(), 1).lstrip() # Entfernt nummerierte Aufzählungszeichen
	else:
	for zeichen in aufzaehlungszeichen:
	if zeile.lstrip().startswith(zeichen):
	cleaned_line = zeile.lstrip()[len(zeichen):].lstrip()
	break
	print(cleaned_line)
	list_items.append(ListItem(Paragraph(cleaned_line, styles['BodyText'])))
	else:
	# Wenn die Zeile nicht als Teil einer Aufzählung erkannt wird, breche die Schleife ab
	# und behandle den gesamten Text als normalen Paragraphen, wenn keine Liste erkannt wurde
	if not list_items:
	return Paragraph(text, styles['BodyText'])
	break

	if list_items:
	# Eine Aufzählung wurde erkannt
	return ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica')
	else:
	# Keine Aufzählung erkannt, gebe einen normalen Paragraph zurück
	return Paragraph(text, styles['BodyText'])
	"""

	####################################
	# Erkennt Aufzählungen im Text und gibt eine entsprechend formatierte ListFlowable oder Paragraph zurück.
	####################################
	def verarbeite_text_und_aufzaehlungen(text, styles):
	# Aufzählungszeichen oder Nummerierungen erkennen
	aufzaehlungszeichen = ['-', '*', '•']
	# Regulärer Ausdruck für Nummerierungen (z.B. "1.", "2.")
	# Verbesserter regulärer Ausdruck, der optionale Leerzeichen vor der Nummerierung berücksichtigt
	nummerierung_regex = r"^\s\d+\.\s" # Optional Leerzeichen, gefolgt von Ziffern und einem Punkt, dann Leerzeichen

	zeilen = text.split('\n')
	elements = [] # Eine Liste, die sowohl Paragraph-Objekte als auch ListFlowable-Objekte enthalten wird
	list_items = [] # Temporäre Liste für die Aufzählungs-Items
	paragraph_text = [] # Sammelt den Text für normale Paragraphen

	for zeile in zeilen:
	if any(zeile.lstrip().startswith(zeichen) for zeichen in aufzaehlungszeichen) or re.match(nummerierung_regex, zeile.lstrip()):
	# Wenn bereits normaler Text gesammelt wurde, füge ihn als Paragraph hinzu, bevor eine neue Liste beginnt
	if paragraph_text:
	elements.append(Paragraph(' '.join(paragraph_text), styles['BodyText']))
	paragraph_text = [] # Zurücksetzen des normalen Textsammelns

	# Entfernt das Aufzählungszeichen/Nummerierung für die Darstellung
	if re.match(nummerierung_regex, zeile.lstrip()):
	cleaned_line = re.sub(nummerierung_regex, '', zeile.lstrip(), 1).lstrip()
	else:
	for zeichen in aufzaehlungszeichen:
	if zeile.lstrip().startswith(zeichen):
	cleaned_line = zeile.lstrip()[len(zeichen):].lstrip()
	break
	list_items.append(ListItem(Paragraph(cleaned_line, styles['BodyText'])))
	else:
	# Wenn eine Liste erkannt wurde und dann normale Zeilen folgen
	if list_items:
	# Füge die gesammelten ListItems als ListFlowable hinzu und setze die Sammlung zurück
	elements.append(ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica'))
	list_items = [] # Zurücksetzen der Listensammlung
	paragraph_text.append(zeile)

	# Füge verbleibende Elemente hinzu, falls vorhanden
	if paragraph_text: # Verbleibender normaler Text
	elements.append(Paragraph(' '.join(paragraph_text), styles['BodyText']))
	if list_items: # Verbleibende Listenelemente
	elements.append(ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica'))

	return elements



	#callback Methode, die auf jeder PDF Seite das Datum oben hinschreibt
	def on_each_page(canvas, doc):
	page_width, page_height = A4 # Oder das von Ihnen verwendete Seitenformat, z.B. A4
	canvas.saveState()
	canvas.setFont('Times-Roman', 10)
	# Formatieren Sie das Datum nach Ihrem Wunsch
	current_date = datetime.now().strftime("%Y-%m-%d")
	print(current_date)
	# Positionieren Sie das Datum oben rechts auf der Seite
	canvas.drawRightString(page_width - 72, page_height - 28, current_date)
	canvas.restoreState()

	#PDF Inhalte zusammenstellen und PDF unter dem angegebene Pfad file_path_download ablegen
	def erstellePdf(file_path_download, ueberschrift, dic_history):
	# Initialisiere eine leere Listseinstellung ("flowables"), die später gefüllt wird
	elements = []
	# Definiere ein neues Papierformat mit A4 Maßen
	paper_size = A4

	# Erstellen Sie ein neues StyleSheet-Objekt
	styles = getSampleStyleSheet()
	# Neuen Style hinzufügen
	new_style = ParagraphStyle('NewStyle', fontName='Helvetica', fontSize=11)
	styles.add(new_style)
	#style für Trennlinie
	line_style = ParagraphStyle('LineStyle', fontSize=4, leading=6, borderPadding=0,
	spaceBefore=0, spaceAfter=0, textColor='black')
	list_style = getSampleStyleSheet()

	#Feststehende Überschriften erzeugen
	# Chat-Überschrift
	title = Paragraph(ueberschrift, styles['Title'])
	headline_nutzer = Paragraph('Nutzer:', styles['Heading3'])
	headline_assi = Paragraph('Assistent:', styles['Heading3'])

	#Pdf Abschnittsweise zusammenstellen
	elements.append(title)
	for nutzer, assi in dic_history.items():
	elements.append(headline_nutzer)
	p = Paragraph(nutzer, styles['NewStyle'])
	elements.append(p)
	# Einen Abstand hinzufügen (optional)
	elements.append(Spacer(1, 2*mm))
	elements.append(headline_assi)
	element_check = verarbeite_text_und_aufzaehlungen(assi,list_style)
	# Gehe jedes Element in `elements` durch und füge es zu `story` hinzu
	for elem in element_check:
	if isinstance(elem, list):
	# Wenn das Element eine Liste ist, füge jedes Unter-Element hinzu
	elements.extend(elem)
	else:
	# Für einzelne Flowable-Objekte, füge sie direkt hinzu
	elements.append(elem)

	# Einen Abstand hinzufügen (optional)
	elements.append(Spacer(1, 8*mm))
	#Trennlinie
	elements.append(Paragraph('_' * 100, line_style))
	# Einen Abstand hinzufügen (optional)
	elements.append(Spacer(1, 8*mm))

	#Für später, um bilder einzufügen
	# Fügen Sie andere Flowables wie Bilder oder Tabellen hinzu
	#image = Image('path/to/your/image.png', width=10cm, height=5cm)
	#elements.append(image)
	#table = Table([['Cell 1', 'Cell 2'], ['Cell 3', 'Cell 4']])
	#elements.append(table)


	# Generiere das PDF-Dokument
	doc = CustomDocTemplate(file_path_download, pagesize=paper_size)
	#on_each_page ist eine callback Methode, die auf jeder neuen PDF Seite ausgeführt wird
	doc.onPage = on_each_page
	doc.build(elements)

	##########################################
	#Hashing....
	# Funktion zum Hashen des Eingabewerts
	def hash_input(input_string):
	return hashlib.sha256(input_string.encode()).hexdigest()


	########################################
	#zur Zeit nicht im Gebrauch
	def transfer_input(inputs):
	textbox = reset_textbox()
	return (
	inputs,
	gr.update(value=""),
	gr.Button.update(visible=True),
	)


	#################################################
	#Klasse mit zuständen - z.B. für interrupt wenn Stop gedrückt...
	#################################################
	class State:
	interrupted = False

	def interrupt(self):
	self.interrupted = True

	def recover(self):
	self.interrupted = False
	shared_state = State()




	def is_stop_word_or_prefix(s: str, stop_words: list) -> bool:
	for stop_word in stop_words:
	if s.endswith(stop_word):
	return True
	for i in range(1, len(stop_word)):
	if s.endswith(stop_word[:i]):
	return True
	return False


	##########################################
	# Klasse, die die SimpleDocTemplate überschreibt (für PDF Generierung)
	# war nötig, da SimpleDocTemplate die on_each_page nicht ausgeführt hat - warum auch immer ...
	##########################################
	class CustomDocTemplate(SimpleDocTemplate):
	def handle_pageBegin(self):
	# Sorgt dafür, dass die Standard-Page-Begin-Logik ausgeführt wird
	self._handle_pageBegin()
	# Jetzt können Sie das Canvas-Objekt über self.canv sicher verwenden
	self.canv.saveState()
	self.canv.setFont('Helvetica', 10)
	current_date = datetime.now().strftime("%Y-%m-%d")
	# Passen Sie hier die Positionierung an Ihre Bedürfnisse an
	self.canv.drawRightString(550, 800, current_date) # Position anpassen
	self.canv.restoreState()