Update app.py

app.py

@@ -1,11 +1,47 @@
 import gradio as gr
 import fitz  # PyMuPDF
-from models import evaluate_with_gpt, evaluate_with_gemma, evaluate_with_bloom, evaluate_with_jabir, evaluate_with_llama
+import pandas as pd
+import requests
+from io import BytesIO
 
 def extract_text_from_pdf(pdf_file):
-    """Extracts and returns the text from a PDF file."""
-    document = fitz.open(pdf_file)
-    return "".join([page.get_text() for page in document])
+    """Extract text from PDF file."""
+    doc = fitz.open(pdf_file)
+    text = ""
+    for page in doc:
+        text += page.get_text()
+    return text
+
+def evaluate_with_jabir(resume_text, job_description):
+    prompt = f"""بر اساس این معیار های اندازه گیری که در زیر عنوان شده:
+    وضعیت خدمت سربازی
+    ، سن،
+    محل سکونت،
+    محدوده حقوق پرداختی
+    ، میزان سابقه کار مدیریتی،
+    میزان سابقه کار مرتبط با گروه شغلی مشابه
+    ، میزان سابقه کار در صنعت،
+    میزان تحصیلات،
+    مهارت زبان،
+    مهارت های نرم افزاری
+    بیا درصد تطابق رزومه فرد با شرح شغلی را محاسبه کن و برای هر معیار اندازه گیری درصد تطابق را محاسبه کن و نهایتا یک درصد کلی برای تطابق رزومه فرد با شرح شغلی بده
+    میخوام خیلی دقیق محاسبه کنی و این درصد ها را در خروجی به صورت جیسون برگردان
+        روی مهارت ها بیشتر دقت  کن و تک به تک برسی کن 
+        شرح شغل: {job_description}
+        رزومه: {resume_text}"""
+
+    base_url = "https://api.jabirproject.org/generate"
+    headers = {"apikey": "7471142a-deb4-4a70-8ee3-6603e21bcc1d"}
+    data = {
+        "messages": [{"role": "user", "content": prompt}]
+    }
+
+    response = requests.post(base_url, headers=headers, json=data)
+
+    if response.ok:
+        return response.json()
+    else:
+        return f"Error: {response.status_code}, {response.text}"
 
 def evaluate_resume(resume_text, job_description, model):
     """Evaluates the resume text using the specified model."""
@@ -23,24 +59,72 @@ def evaluate_resume(resume_text, job_description, model):
         # If "All" is selected, evaluate with all models and return combined results.
         return evaluate_all_models(resume_text, job_description)
 
+def create_excel_output(results, job_description_features):
+    """Creates an Excel file from the results."""
+    # Create a DataFrame from the results
+    df = pd.DataFrame(results)
+    
+    # Insert job description features in the second row
+    job_desc_row = pd.Series(job_description_features)
+    df.loc[-1] = job_desc_row  # adding a row
+    df.index = df.index + 1  # shifting index
+    df = df.sort_index()  # sorting by index to place it at the second row
+
+    # Save to Excel
+    output = BytesIO()
+    with pd.ExcelWriter(output, engine='xlsxwriter') as writer:
+        df.to_excel(writer, index=False)
+    output.seek(0)
+    return output
+
 def evaluate_multiple_resumes(resume_files, job_description, model):
     """Evaluates multiple resumes and returns the results."""
     results = []
+    job_description_features = {
+        "وضعیت خدمت سربازی": "", 
+        "سن": "", 
+        "محل سکونت": "", 
+        "محدوده حقوق پرداختی": "", 
+        "میزان سابقه کار مدیریتی": "", 
+        "میزان سابقه کار مرتبط با گروه شغلی مشابه": "", 
+        "میزان سابقه کار در صنعت": "", 
+        "میزان تحصیلات": "", 
+        "مهارت زبان": "", 
+        "مهارت های نرم افزاری": ""
+    }
+
     for resume_file in resume_files:
         title = resume_file.name
         resume_text = extract_text_from_pdf(resume_file)
         result = evaluate_resume(resume_text, job_description, model)
-        results.append(f"Result for {title}:\n{result}\n\n")
-    return "\n".join(results)
+        
+        # Adding the title of the resume and the total match percentage
+        resume_data = {
+            "رزومه": title,
+            "درصد تطابق کلی": result.get("overall_match_percentage", 0)
+        }
+        
+        # Adding each feature match to the resume data
+        for feature, match in result.get("feature_matches", {}).items():
+            resume_data[feature] = match
+        
+        # Adding skills as a list in one column
+        resume_data["مهارت ها"] = ", ".join(result.get("skills", []))
+        
+        results.append(resume_data)
+
+    # Create Excel output
+    output = create_excel_output(results, job_description_features)
+    return output
 
 iface = gr.Interface(
     fn=evaluate_multiple_resumes,
     inputs=[
-        gr.File(type="filepath", label="Upload Resumes PDF", file_count="multiple"),
+        gr.File(type="file", label="Upload Resumes PDF", file_count="multiple"),
         gr.Textbox(lines=10, label="Job Description"),
         gr.Radio(choices=["GPT-4o", "Gemma", "Bloom", "jabir", "llama", "All"], label="Choose Model")
     ],
-    outputs="text",
+    outputs=gr.File(label="Download Excel File"),
     title="Multiple Resume Evaluator"
 )