File size: 34,348 Bytes
f985930 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 |
import gradio as gr
import fitz # PyMuPDF
import os
import requests
from huggingface_hub import HfApi
import base64
from io import BytesIO
import urllib.parse
import tempfile
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
# Zugriff auf das Secret als Umgebungsvariable
HF_WRITE = os.getenv("HF_WRITE")
HF_READ = os.getenv("HF_READ")
# CONSTANTS
REPO_ID = "alexkueck/kkg_suche"
REPO_TYPE = "space"
SAVE_DIR = "kkg_dokumente"
# HfApi-Instanz erstellen
api = HfApi()
# Funktion zum Extrahieren des Textes aus einer PDF-Datei
def extract_text_from_pdf(pdf_path):
doc = fitz.open(pdf_path)
text = []
for page in doc:
text.append(page.get_text())
return text
# Dynamische Erstellung der Dokumentenliste und Extraktion der Texte
documents = []
for file_name in os.listdir(SAVE_DIR):
if file_name.endswith(".pdf"):
pdf_path = os.path.join(SAVE_DIR, file_name)
pages_text = extract_text_from_pdf(pdf_path)
documents.append({"file": file_name, "pages": pages_text})
# TF-IDF Vectorizer vorbereiten
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform([page for doc in documents for page in doc['pages']])
####################################################
def search_documents(query):
if not query:
return [doc['file'] for doc in documents], "", []
query_vector = vectorizer.transform([query])
cosine_similarities = cosine_similarity(query_vector, tfidf_matrix).flatten()
related_docs_indices = cosine_similarities.argsort()[::-1]
results = []
relevant_text = ""
relevant_pdfs = []
num_pages_per_doc = [len(doc['pages']) for doc in documents]
cumulative_pages = [sum(num_pages_per_doc[:i+1]) for i in range(len(num_pages_per_doc))]
for i in related_docs_indices:
if cosine_similarities[i] > 0:
doc_index = next(idx for idx, cumulative in enumerate(cumulative_pages) if i < cumulative)
page_index = i if doc_index == 0 else i - cumulative_pages[doc_index-1]
doc = documents[doc_index]
results.append(doc['file'])
page_content = doc['pages'][page_index]
index = page_content.lower().find(query.lower())
if index != -1:
start = max(0, index - 400)
end = min(len(page_content), index + 400)
relevant_text += f"Aus {doc['file']} (Seite {page_index + 1}):\n...{page_content[start:end]}...\n\n"
relevant_pdfs.append((doc['file'], page_index))
return results, relevant_text, relevant_pdfs
def update_display(selected_pdf):
return display_document(selected_pdf)
def update_dropdown():
return gr.Dropdown.update(choices=list_pdfs())
def search_and_update(query):
results, rel_text, relevant_pdfs = search_documents(query)
pdf_html = ""
images = []
temp_dir = tempfile.mkdtemp()
for pdf, page in relevant_pdfs:
pdf_path = os.path.join(SAVE_DIR, pdf)
document = fitz.open(pdf_path)
# Seite als Integer umwandeln
page_num = int(page)
page = document.load_page(page_num)
pix = page.get_pixmap()
img_path = os.path.join(temp_dir, f"{pdf}_page_{page.number}.png")
pix.save(img_path)
images.append(img_path)
return images, rel_text
def upload_pdf(file):
if file is None:
return None, "Keine Datei hochgeladen."
# Extrahieren des Dateinamens aus dem vollen Pfad
filename = os.path.basename(file.name)
# Datei zum Hugging Face Space hochladen
upload_path = f"kkg_dokumente/{filename}"
api.upload_file(
path_or_fileobj=file.name,
path_in_repo=upload_path,
repo_id=REPO_ID,
repo_type=REPO_TYPE,
token=HF_WRITE
)
return f"PDF '{filename}' erfolgreich hochgeladen."
def list_pdfs():
if not os.path.exists(SAVE_DIR):
return []
return [f for f in os.listdir(SAVE_DIR) if f.endswith('.pdf')]
def display_pdf(selected_pdf):
pdf_path = os.path.join(SAVE_DIR, selected_pdf)
# PDF-URL im Hugging Face Space
encoded_pdf_name = urllib.parse.quote(selected_pdf)
pdf_url = f"https://huggingface.co/spaces/{REPO_ID}/resolve/main/kkg_dokumente/{encoded_pdf_name}"
# PDF von der URL herunterladen
headers = {"Authorization": f"Bearer {HF_READ}"}
response = requests.get(pdf_url, headers=headers)
if response.status_code == 200:
with open(pdf_path, 'wb') as f:
f.write(response.content)
else:
return None, f"Fehler beim Herunterladen der PDF-Datei von {pdf_url}"
# PDF in Bilder umwandeln
document = fitz.open(pdf_path)
temp_dir = tempfile.mkdtemp()
# Nur die erste Seite als Bild speichern
page = document.load_page(0)
pix = page.get_pixmap()
img_path = os.path.join(temp_dir, f"page_0.png")
pix.save(img_path)
status = f"PDF '{selected_pdf}' erfolgreich geladen und verarbeitet."
return img_path, status
##############################################################
with gr.Blocks() as demo:
with gr.Tab("Upload PDF"):
upload_pdf_file = gr.File(label="PDF-Datei hochladen")
upload_status = gr.Textbox(label="Status")
upload_button = gr.Button("Upload")
upload_button.click(upload_pdf, inputs=upload_pdf_file, outputs=upload_status)
with gr.Tab("PDF Auswahl und Anzeige"):
pdf_dropdown = gr.Dropdown(label="Wählen Sie eine PDF-Datei", choices=list_pdfs())
query = gr.Textbox(label="Suchanfrage", type="text")
display_status = gr.Textbox(label="Status")
display_button = gr.Button("Anzeigen")
with gr.Row():
pdf_image = gr.Image(label="PDF-Seite als Bild", type="filepath")
relevant_text = gr.Textbox(label="Relevanter Text", lines=10)
display_button.click(display_pdf, inputs=[pdf_dropdown], outputs=[pdf_image, display_status])
with gr.Tab("Suche"):
search_query = gr.Textbox(label="Suchanfrage")
search_button = gr.Button("Suchen")
with gr.Row():
search_results = gr.Gallery(label="Relevante PDFs", type="filepath")
search_text = gr.Textbox(label="Relevanter Text", lines=10)
search_button.click(search_and_update, inputs=search_query, outputs=[search_results, search_text])
# Automatische Aktualisierung der Dropdown-Liste nach dem Hochladen einer PDF-Datei
#upload_button.click(update_dropdown, inputs=None, outputs=pdf_dropdown)
#upload_button.click(lambda: pdf_dropdown.update(choices=list_pdfs()), outputs=pdf_dropdown)
demo.launch(share=True)
"""
import gradio as gr
import os
from huggingface_hub import HfApi
import time
# Zugriff auf das Secret als Umgebungsvariable
HF_TOKEN = os.getenv("HF_WRITE")
# Überprüfen, ob das Secret geladen wurde
if HF_TOKEN is None:
raise ValueError("HF_TOKEN environment variable not set. Please set the secret in your Hugging Face Space.")
# Repository-Name und Typ
repo_id = "alexkueck/kkg_suche"
repo_type = "space"
# HfApi-Instanz erstellen
api = HfApi()
def upload_and_display_pdf(file):
if file is None:
return None, "Keine Datei hochgeladen."
# Extrahieren des Dateinamens aus dem vollen Pfad
filename = os.path.basename(file.name)
# Datei zum Hugging Face Space hochladen
upload_path = f"kkg_dokumente/{filename}"
api.upload_file(
path_or_fileobj=file.name,
path_in_repo=upload_path,
repo_id=repo_id,
repo_type=repo_type,
token=HF_TOKEN
)
# Kurze Verzögerung, um sicherzustellen, dass die Datei verfügbar ist
time.sleep(2)
# URL zur hochgeladenen PDF-Datei erstellen
pdf_url = f"https://huggingface.co/spaces/{repo_id}/resolve/main/{upload_path}"
# HTML mit eingebettetem PDF erstellen
html_content = f
<div style="width:100%; height:600px;">
<object data="{pdf_url}" type="application/pdf" width="100%" height="100%">
<p>Es sieht so aus, als ob Ihr Browser keine eingebetteten PDFs unterstützt.
Sie können stattdessen <a href="{pdf_url}">hier klicken, um die PDF-Datei herunterzuladen</a>.</p>
</object>
</div>
return html_content, f"Datei '{filename}' erfolgreich hochgeladen und im Space gespeichert."
# Gradio Interface erstellen
iface = gr.Interface(
fn=upload_and_display_pdf,
inputs=gr.File(label="PDF-Datei hochladen"),
outputs=[
gr.HTML(label="PDF-Anzeige"),
gr.Textbox(label="Status")
],
title="PDF Upload und Anzeige",
description="Laden Sie eine PDF-Datei hoch. Sie wird im 'kkg_dokumente' Ordner des Spaces gespeichert und hier angezeigt."
)
# App starten
iface.launch()
"""
#funktionierenden upload
"""
import gradio as gr
import os
import fitz # PyMuPDF
import tempfile
from huggingface_hub import HfApi
import shutil
# Zugriff auf das Secret als Umgebungsvariable
HF_TOKEN = os.getenv("HF_WRITE")
# Überprüfen, ob das Secret geladen wurde
if HF_TOKEN is None:
raise ValueError("HF_TOKEN environment variable not set. Please set the secret in your Hugging Face Space.")
# Repository-Name
repo_id = "alexkueck/kkg_suche"
repo_type = "space"
# HfApi-Instanz erstellen
api = HfApi()
def upload_and_display_pdf(file):
if file is None:
return None, "Keine Datei hochgeladen."
# Extrahieren des Dateinamens aus dem vollen Pfad
filename = os.path.basename(file.name)
# Datei zum Hugging Face Space hochladen
upload_path = f"kkg_dokumente/{filename}"
api.upload_file(
path_or_fileobj=file.name,
path_in_repo=upload_path,
repo_id=repo_id,
repo_type=repo_type,
token=HF_TOKEN
)
# PDF in HTML umwandeln
doc = fitz.open(file.name)
html_content = ""
for page in doc:
html_content += page.get_text("html")
doc.close()
# Temporäre HTML-Datei erstellen
with tempfile.NamedTemporaryFile(delete=False, suffix=".html", mode="w", encoding="utf-8") as temp_file:
temp_file.write(html_content)
temp_html_path = temp_file.name
return temp_html_path, f"Datei '{filename}' erfolgreich hochgeladen und im Repository gespeichert."
# Gradio Interface erstellen
iface = gr.Interface(
fn=upload_and_display_pdf,
inputs=gr.File(label="PDF-Datei hochladen"),
outputs=[
gr.HTML(label="PDF-Inhalt"),
gr.Textbox(label="Status")
],
title="PDF Upload und Anzeige",
description="Laden Sie eine PDF-Datei hoch. Sie wird im 'kkg_dokumente' Ordner des Repositories gespeichert und hier angezeigt."
)
# App starten
iface.launch()
"""
"""
# Zugriff auf das Secret als Umgebungsvariable
HF_TOKEN = os.getenv("HF_WRITE")
# Überprüfen, ob das Secret geladen wurde
if HF_TOKEN is None:
raise ValueError("HF_TOKEN environment variable not set. Please set the secret in your Hugging Face Space.")
# Repository-Name
repo_id = "alexkueck/kkg_suche"
# Absoluter Pfad zum Verzeichnis mit den Dokumenten
DOCS_DIR = "kkg_dokumente"
# Funktion zum Extrahieren des Textes aus einer PDF-Datei
def extract_text_from_pdf(pdf_path):
doc = fitz.open(pdf_path)
text = []
for page in doc:
text.append(page.get_text())
return text
# Dynamische Erstellung der Dokumentenliste und Extraktion der Texte
documents = []
for file_name in os.listdir(DOCS_DIR):
if file_name.endswith(".pdf"):
pdf_path = os.path.join(DOCS_DIR, file_name)
pages_text = extract_text_from_pdf(pdf_path)
documents.append({"file": file_name, "pages": pages_text})
# TF-IDF Vectorizer vorbereiten
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform([page for doc in documents for page in doc['pages']])
def display_document(doc_name):
if isinstance(doc_name, list):
doc_name = doc_name[0] # Nehmen Sie das erste Element, falls eine Liste übergeben wurde
file_path = os.path.join(DOCS_DIR, doc_name)
if not os.path.exists(file_path):
return f"<p>Fehler: Datei nicht gefunden - {file_path}</p>"
# Generieren Sie die URL für das PDF
file_url = f"file://{file_path}"
return f'<iframe src="{file_url}" width="100%" height="600px"></iframe>'
def search_documents(query):
if not query:
return [doc['file'] for doc in documents], "", []
query_vector = vectorizer.transform([query])
cosine_similarities = cosine_similarity(query_vector, tfidf_matrix).flatten()
related_docs_indices = cosine_similarities.argsort()[::-1]
results = []
relevant_text = ""
relevant_pdfs = []
num_pages_per_doc = [len(doc['pages']) for doc in documents]
cumulative_pages = [sum(num_pages_per_doc[:i+1]) for i in range(len(num_pages_per_doc))]
for i in related_docs_indices:
if cosine_similarities[i] > 0:
doc_index = next(idx for idx, cumulative in enumerate(cumulative_pages) if i < cumulative)
page_index = i if doc_index == 0 else i - cumulative_pages[doc_index-1]
doc = documents[doc_index]
results.append(doc['file'])
page_content = doc['pages'][page_index]
index = page_content.lower().find(query.lower())
if index != -1:
start = max(0, index - 100)
end = min(len(page_content), index + 100)
relevant_text += f"Aus {doc['file']} (Seite {page_index + 1}):\n...{page_content[start:end]}...\n\n"
relevant_pdfs.append((doc['file'], page_index))
return results, relevant_text, relevant_pdfs
def update_display(doc_name):
return display_document(doc_name)
def search_and_update(query):
results, rel_text, relevant_pdfs = search_documents(query)
pdf_html = ""
for pdf, page in relevant_pdfs:
pdf_path = os.path.join(DOCS_DIR, pdf)
if not os.path.exists(pdf_path):
pdf_html += f"<p>Fehler: Datei nicht gefunden - {pdf_path}</p>"
else:
file_url = f"file://{pdf_path}"
pdf_html += f"<h3>{pdf} - Seite {page+1}</h3>"
pdf_html += f'<iframe src="{file_url}#page={page+1}" width="100%" height="600px"></iframe>'
return gr.update(choices=results, value=results[0] if results else None), rel_text, pdf_html
def upload_file(file):
local_file_path = file.name
target_path_in_space = f"kkg_dokumente/{file.orig_name}"
api = HfApi()
api.upload_file(
path_or_fileobj=local_file_path,
path_in_repo=target_path_in_space,
repo_id=repo_id,
token=HF_TOKEN,
repo_type="space"
)
return file.name
# Initialisieren der Gradio-Oberfläche
with gr.Blocks() as demo:
gr.Markdown("# Dokumentensuche und -anzeige")
query_input = gr.Textbox(label="Suchbegriff (leer lassen für alle Dokumente)")
file_input = gr.File(label="Dokument hochladen", file_types=[".pdf"], type="file")
with gr.Row():
with gr.Column(scale=2):
doc_dropdown = gr.Dropdown(choices=[doc['file'] for doc in documents], label="Dokumente", allow_custom_value=True)
doc_display = gr.HTML(label="Dokumentvorschau")
with gr.Column(scale=1):
relevant_text = gr.Textbox(label="Relevanter Text", lines=10)
pdf_display = gr.HTML()
query_input.submit(search_and_update, inputs=[query_input], outputs=[doc_dropdown, relevant_text, pdf_display])
doc_dropdown.change(update_display, inputs=[doc_dropdown], outputs=[doc_display])
file_input.upload(upload_file, inputs=file_input, outputs=[doc_dropdown])
demo.launch()
"""
"""
import gradio as gr
import os
import fitz # PyMuPDF
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
# Absoluter Pfad zum Verzeichnis mit den Dokumenten
DOCS_DIR = os.path.abspath("kkg_dokumente")
# Funktion zum Extrahieren des Textes aus einer PDF-Datei
def extract_text_from_pdf(pdf_path):
doc = fitz.open(pdf_path)
text = []
for page in doc:
text.append(page.get_text())
return text
# Dynamische Erstellung der Dokumentenliste und Extraktion der Texte
documents = []
for file_name in os.listdir(DOCS_DIR):
if file_name.endswith(".pdf"):
pdf_path = os.path.join(DOCS_DIR, file_name)
pages_text = extract_text_from_pdf(pdf_path)
documents.append({"file": file_name, "pages": pages_text})
# TF-IDF Vectorizer vorbereiten
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform([page for doc in documents for page in doc['pages']])
def display_document(doc_name):
if isinstance(doc_name, list):
doc_name = doc_name[0] # Nehmen Sie das erste Element, falls eine Liste übergeben wurde
file_path = os.path.join(DOCS_DIR, doc_name)
if not os.path.exists(file_path):
return f"<p>Fehler: Datei nicht gefunden - {file_path}</p>"
# Generieren Sie die URL für das PDF
file_url = f"file://{file_path}"
return f'<iframe src="{file_url}" width="100%" height="600px"></iframe>'
def search_documents(query):
if not query:
return [doc['file'] for doc in documents], "", []
query_vector = vectorizer.transform([query])
cosine_similarities = cosine_similarity(query_vector, tfidf_matrix).flatten()
related_docs_indices = cosine_similarities.argsort()[::-1]
results = []
relevant_text = ""
relevant_pdfs = []
num_pages_per_doc = [len(doc['pages']) for doc in documents]
cumulative_pages = [sum(num_pages_per_doc[:i+1]) for i in range(len(num_pages_per_doc))]
for i in related_docs_indices:
if cosine_similarities[i] > 0:
doc_index = next(idx for idx, cumulative in enumerate(cumulative_pages) if i < cumulative)
page_index = i if doc_index == 0 else i - cumulative_pages[doc_index-1]
doc = documents[doc_index]
results.append(doc['file'])
page_content = doc['pages'][page_index]
index = page_content.lower().find(query.lower())
if index != -1:
start = max(0, index - 100)
end = min(len(page_content), index + 100)
relevant_text += f"Aus {doc['file']} (Seite {page_index + 1}):\n...{page_content[start:end]}...\n\n"
relevant_pdfs.append((doc['file'], page_index))
return results, relevant_text, relevant_pdfs
def update_display(doc_name):
return display_document(doc_name)
def search_and_update(query):
results, rel_text, relevant_pdfs = search_documents(query)
pdf_html = ""
for pdf, page in relevant_pdfs:
pdf_path = os.path.join(DOCS_DIR, pdf)
if not os.path.exists(pdf_path):
pdf_html += f"<p>Fehler: Datei nicht gefunden - {pdf_path}</p>"
else:
file_url = f"file://{pdf_path}"
pdf_html += f"<h3>{pdf} - Seite {page+1}</h3>"
pdf_html += f'<iframe src="{file_url}#page={page+1}" width="100%" height="600px"></iframe>'
return gr.update(choices=results, value=results[0] if results else None), rel_text, pdf_html
def upload_file(file):
file_name = "uploaded_file.pdf"
file_path = os.path.join(DOCS_DIR, file_name)
# Debugging-Ausgabe: Überprüfen Sie, ob das Verzeichnis existiert
if not os.path.exists(DOCS_DIR):
print(f"Verzeichnis {DOCS_DIR} existiert nicht. Erstelle Verzeichnis.")
os.makedirs(DOCS_DIR)
# Debugging-Ausgabe: Dateiname und Pfad
print(f"Speichere Datei nach {file_path}")
with open(file_path, "wb") as f:
f.write(file)
# Überprüfen, ob die Datei korrekt gespeichert wurde
if os.path.exists(file_path):
print(f"Datei erfolgreich gespeichert: {file_path}")
else:
print(f"Fehler beim Speichern der Datei: {file_path}")
# Aktualisieren Sie die Dokumentenliste und die TF-IDF-Matrix
pages_text = extract_text_from_pdf(file_path)
documents.append({"file": file_name, "pages": pages_text})
global tfidf_matrix
tfidf_matrix = vectorizer.fit_transform([page for doc in documents for page in doc['pages']])
return gr.update(choices=[doc['file'] for doc in documents], value=file_name)
# Initialisieren der Gradio-Oberfläche
with gr.Blocks() as demo:
gr.Markdown("# Dokumentensuche und -anzeige")
query_input = gr.Textbox(label="Suchbegriff (leer lassen für alle Dokumente)")
file_input = gr.File(label="Dokument hochladen", file_types=[".pdf"], type="binary")
with gr.Row():
with gr.Column(scale=2):
doc_dropdown = gr.Dropdown(choices=[doc['file'] for doc in documents], label="Dokumente", allow_custom_value=True)
doc_display = gr.HTML(label="Dokumentvorschau")
with gr.Column(scale=1):
relevant_text = gr.Textbox(label="Relevanter Text", lines=10)
pdf_display = gr.HTML()
query_input.submit(search_and_update, inputs=[query_input], outputs=[doc_dropdown, relevant_text, pdf_display])
doc_dropdown.change(update_display, inputs=[doc_dropdown], outputs=[doc_display])
file_input.upload(upload_file, inputs=file_input, outputs=[doc_dropdown])
demo.launch()
"""
"""
import gradio as gr
import os
import fitz # PyMuPDF
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
# Absoluter Pfad zum Verzeichnis mit den Dokumenten
DOCS_DIR = os.path.abspath("kkg_dokumente")
# Funktion zum Extrahieren des Textes aus einer PDF-Datei
def extract_text_from_pdf(pdf_path):
doc = fitz.open(pdf_path)
text = []
for page in doc:
text.append(page.get_text())
return text
# Dynamische Erstellung der Dokumentenliste und Extraktion der Texte
documents = []
for file_name in os.listdir(DOCS_DIR):
if file_name.endswith(".pdf"):
pdf_path = os.path.join(DOCS_DIR, file_name)
pages_text = extract_text_from_pdf(pdf_path)
documents.append({"file": file_name, "pages": pages_text})
# TF-IDF Vectorizer vorbereiten
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform([page for doc in documents for page in doc['pages']])
def display_document(doc_name):
if isinstance(doc_name, list):
doc_name = doc_name[0] # Nehmen Sie das erste Element, falls eine Liste übergeben wurde
file_path = os.path.join(DOCS_DIR, doc_name)
if not os.path.exists(file_path):
return f"<p>Fehler: Datei nicht gefunden - {file_path}</p>"
# Generieren Sie die URL für das PDF
file_url = f"file://{file_path}"
return f'<iframe src="{file_url}" width="100%" height="600px"></iframe>'
def search_documents(query):
if not query:
return [doc['file'] for doc in documents], "", []
query_vector = vectorizer.transform([query])
cosine_similarities = cosine_similarity(query_vector, tfidf_matrix).flatten()
related_docs_indices = cosine_similarities.argsort()[::-1]
results = []
relevant_text = ""
relevant_pdfs = []
num_pages_per_doc = [len(doc['pages']) for doc in documents]
cumulative_pages = [sum(num_pages_per_doc[:i+1]) for i in range(len(num_pages_per_doc))]
for i in related_docs_indices:
if cosine_similarities[i] > 0:
doc_index = next(idx for idx, cumulative in enumerate(cumulative_pages) if i < cumulative)
page_index = i if doc_index == 0 else i - cumulative_pages[doc_index-1]
doc = documents[doc_index]
results.append(doc['file'])
page_content = doc['pages'][page_index]
index = page_content.lower().find(query.lower())
if index != -1:
start = max(0, index - 100)
end = min(len(page_content), index + 100)
relevant_text += f"Aus {doc['file']} (Seite {page_index + 1}):\n...{page_content[start:end]}...\n\n"
relevant_pdfs.append((doc['file'], page_index))
return results, relevant_text, relevant_pdfs
def update_display(doc_name):
return display_document(doc_name)
def search_and_update(query):
results, rel_text, relevant_pdfs = search_documents(query)
pdf_html = ""
for pdf, page in relevant_pdfs:
pdf_path = os.path.join(DOCS_DIR, pdf)
if not os.path.exists(pdf_path):
pdf_html += f"<p>Fehler: Datei nicht gefunden - {pdf_path}</p>"
else:
file_url = f"file://{pdf_path}"
pdf_html += f"<h3>{pdf} - Seite {page+1}</h3>"
pdf_html += f'<iframe src="{file_url}#page={page+1}" width="100%" height="600px"></iframe>'
return gr.update(choices=results, value=results[0] if results else None), rel_text, pdf_html
def upload_file(file):
file_path = os.path.join(DOCS_DIR, file.name)
with open(file_path, "wb") as f:
f.write(file.read())
# Aktualisieren Sie die Dokumentenliste und die TF-IDF-Matrix
pages_text = extract_text_from_pdf(file_path)
documents.append({"file": file.name, "pages": pages_text})
global tfidf_matrix
tfidf_matrix = vectorizer.fit_transform([page for doc in documents for page in doc['pages']])
return gr.update(choices=[doc['file'] for doc in documents], value=file.name)
# Initialisieren der Gradio-Oberfläche
with gr.Blocks() as demo:
gr.Markdown("# Dokumentensuche und -anzeige")
query_input = gr.Textbox(label="Suchbegriff (leer lassen für alle Dokumente)")
file_input = gr.File(label="Dokument hochladen", file_types=[".pdf"], type="binary")
with gr.Row():
with gr.Column(scale=2):
doc_dropdown = gr.Dropdown(choices=[doc['file'] for doc in documents], label="Dokumente", allow_custom_value=True)
doc_display = gr.HTML(label="Dokumentvorschau")
with gr.Column(scale=1):
relevant_text = gr.Textbox(label="Relevanter Text", lines=10)
pdf_display = gr.HTML()
query_input.submit(search_and_update, inputs=[query_input], outputs=[doc_dropdown, relevant_text, pdf_display])
doc_dropdown.change(update_display, inputs=[doc_dropdown], outputs=[doc_display])
file_input.upload(upload_file, inputs=file_input, outputs=[doc_dropdown])
demo.launch()
"""
###funktioniert......................................
"""
import gradio as gr
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
# Beispiel-Daten mit hartcodierten Texten
documents = [
{"file": "document1.pdf", "pages": ["Seite 1 Inhalt von Dokument 1", "Seite 2 Inhalt von Dokument 1"]},
{"file": "document2.pdf", "pages": ["Seite 1 Inhalt von Dokument 2", "Seite 2 Inhalt von Dokument 2"]}
]
# TF-IDF Vectorizer vorbereiten
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform([page for doc in documents for page in doc['pages']])
def display_document(doc_name):
# Hartcodierter HTML-Inhalt zur Anzeige des Dokuments
hardcoded_html = f
<h1>{doc_name}</h1>
<p>Dies ist ein Beispieltext für die Anzeige des Dokuments {doc_name}.</p>
<iframe src="https://www.example.com" width="100%" height="600px"></iframe>
return hardcoded_html
def search_documents(query):
if not query:
return [doc['file'] for doc in documents], "", []
query_vector = vectorizer.transform([query])
cosine_similarities = cosine_similarity(query_vector, tfidf_matrix).flatten()
related_docs_indices = cosine_similarities.argsort()[::-1]
results = []
relevant_text = ""
relevant_pdfs = []
num_pages_per_doc = [len(doc['pages']) for doc in documents]
cumulative_pages = [sum(num_pages_per_doc[:i+1]) for i in range(len(num_pages_per_doc))]
for i in related_docs_indices:
if cosine_similarities[i] > 0:
doc_index = next(idx for idx, cumulative in enumerate(cumulative_pages) if i < cumulative)
page_index = i if doc_index == 0 else i - cumulative_pages[doc_index-1]
doc = documents[doc_index]
results.append(doc['file'])
page_content = doc['pages'][page_index]
index = page_content.lower().find(query.lower())
if index != -1:
start = max(0, index - 100)
end = min(len(page_content), index + 100)
relevant_text += f"Aus {doc['file']} (Seite {page_index + 1}):\n...{page_content[start:end]}...\n\n"
relevant_pdfs.append((doc['file'], page_index))
return results, relevant_text, relevant_pdfs
def update_display(doc_name):
return display_document(doc_name)
def search_and_update(query):
results, rel_text, relevant_pdfs = search_documents(query)
pdf_html = ""
for pdf, page in relevant_pdfs:
# Hartcodierter HTML-Inhalt zur Anzeige der Suchergebnisse
pdf_html += f"<h3>{pdf} - Seite {page+1}</h3>"
pdf_html += f'<iframe src="https://www.example.com" width="100%" height="600px"></iframe>'
return results, rel_text, pdf_html
# Initialisieren der Gradio-Oberfläche
with gr.Blocks() as demo:
gr.Markdown("# Dokumentensuche und -anzeige")
query_input = gr.Textbox(label="Suchbegriff (leer lassen für alle Dokumente)")
with gr.Row():
with gr.Column(scale=2):
doc_dropdown = gr.Dropdown(choices=[doc['file'] for doc in documents], label="Dokumente")
doc_display = gr.HTML(label="Dokumentvorschau")
with gr.Column(scale=1):
relevant_text = gr.Textbox(label="Relevanter Text", lines=10)
pdf_display = gr.HTML()
query_input.submit(search_and_update, inputs=[query_input], outputs=[doc_dropdown, relevant_text, pdf_display])
doc_dropdown.change(update_display, inputs=[doc_dropdown], outputs=[doc_display])
demo.launch()
"""
"""
import gradio as gr
import os
import fitz # PyMuPDF
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
# Verwenden Sie den korrekten Pfad für die hochgeladenen Dateien in Ihrem Hugging Face Space
DOCS_DIR = os.path.abspath("kkg_dokumente")
# Funktion zum Extrahieren des Textes aus einer PDF-Datei
def extract_text_from_pdf(pdf_path):
doc = fitz.open(pdf_path)
text = []
for page in doc:
text.append(page.get_text())
return text
# Dynamische Erstellung der Dokumentenliste und Extraktion der Texte
documents = []
for file_name in os.listdir(DOCS_DIR):
if file_name.endswith(".pdf"):
pdf_path = os.path.join(DOCS_DIR, file_name)
pages_text = extract_text_from_pdf(pdf_path)
documents.append({"file": file_name, "pages": pages_text})
# TF-IDF Vectorizer vorbereiten
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform([page for doc in documents for page in doc['pages']])
def display_document(doc_name):
file_path = os.path.join(DOCS_DIR, doc_name)
if not os.path.exists(file_path):
return f"<p>Fehler: Datei nicht gefunden - {file_path}</p>"
# Generieren Sie die URL für das PDF
file_url = f"{DOCS_DIR}/{doc_name}"
return f'<iframe src="{file_url}" width="100%" height="600px"></iframe>'
def search_documents(query):
if not query:
return [doc['file'] for doc in documents], "", []
query_vector = vectorizer.transform([query])
cosine_similarities = cosine_similarity(query_vector, tfidf_matrix).flatten()
related_docs_indices = cosine_similarities.argsort()[::-1]
results = []
relevant_text = ""
relevant_pdfs = []
num_pages_per_doc = [len(doc['pages']) for doc in documents]
cumulative_pages = [sum(num_pages_per_doc[:i+1]) for i in range(len(num_pages_per_doc))]
for i in related_docs_indices:
if cosine_similarities[i] > 0:
doc_index = next(idx for idx, cumulative in enumerate(cumulative_pages) if i < cumulative)
page_index = i if doc_index == 0 else i - cumulative_pages[doc_index-1]
doc = documents[doc_index]
results.append(doc['file'])
page_content = doc['pages'][page_index]
index = page_content.lower().find(query.lower())
if index != -1:
start = max(0, index - 100)
end = min(len(page_content), index + 100)
relevant_text += f"Aus {doc['file']} (Seite {page_index + 1}):\n...{page_content[start:end]}...\n\n"
relevant_pdfs.append((doc['file'], page_index))
return results, relevant_text, relevant_pdfs
def update_display(doc_name):
return display_document(doc_name)
def search_and_update(query):
results, rel_text, relevant_pdfs = search_documents(query)
pdf_html = ""
for pdf, page in relevant_pdfs:
pdf_path = os.path.join(DOCS_DIR, pdf)
if not os.path.exists(pdf_path):
pdf_html += f"<p>Fehler: Datei nicht gefunden - {pdf_path}</p>"
else:
file_url = f"{DOCS_DIR}/{pdf}"
pdf_html += f"<h3>{pdf} - Seite {page+1}</h3>"
pdf_html += f'<iframe src="{file_url}#page={page+1}" width="100%" height="600px"></iframe>'
return gr.Dropdown.update(choices=results), rel_text, pdf_html
# Initialisieren der Gradio-Oberfläche
with gr.Blocks() as demo:
gr.Markdown("# Dokumentensuche und -anzeige")
query_input = gr.Textbox(label="Suchbegriff (leer lassen für alle Dokumente)")
with gr.Row():
with gr.Column(scale=2):
doc_dropdown = gr.Dropdown(choices=[doc['file'] for doc in documents], label="Dokumente")
doc_display = gr.HTML(label="Dokumentvorschau")
with gr.Column(scale=1):
relevant_text = gr.Textbox(label="Relevanter Text", lines=10)
pdf_display = gr.HTML()
query_input.submit(search_and_update, inputs=[query_input], outputs=[doc_dropdown, relevant_text, pdf_display])
doc_dropdown.change(update_display, inputs=[doc_dropdown], outputs=[doc_display])
demo.launch()
""" |