Spaces:
Sleeping
Sleeping
File size: 13,992 Bytes
8275526 289c45a 8275526 ca362fb 8275526 289c45a 8275526 289c45a 8275526 289c45a 8275526 ca362fb 8275526 ca362fb 8275526 ca362fb 8275526 ca362fb 8275526 ca362fb 8275526 ca362fb 8275526 ca362fb 8275526 ca362fb 8275526 |
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 |
import logging
from sentence_transformers import SentenceTransformer
import chromadb
from chromadb.config import Settings
import uuid
import os
from config import EMBEDDING_MODEL, CHROMA_PERSIST_DIRECTORY, COLLECTION_NAME
# Cấu hình logging
logger = logging.getLogger(__name__)
# Global instance để implement singleton pattern
_embedding_model_instance = None
def get_embedding_model():
"""
Singleton pattern để đảm bảo chỉ có một instance của EmbeddingModel
"""
global _embedding_model_instance
if _embedding_model_instance is None:
logger.info("Khởi tạo EmbeddingModel instance lần đầu")
_embedding_model_instance = EmbeddingModel()
else:
logger.debug("Sử dụng EmbeddingModel instance đã có")
return _embedding_model_instance
class EmbeddingModel:
def __init__(self):
"""Khởi tạo embedding model và ChromaDB client"""
logger.info(f"Đang khởi tạo embedding model: {EMBEDDING_MODEL}")
try:
# Khởi tạo sentence transformer với trust_remote_code=True
self.model = SentenceTransformer(EMBEDDING_MODEL, trust_remote_code=True)
logger.info("Đã tải sentence transformer model")
except Exception as e:
logger.error(f"Lỗi khởi tạo model: {e}")
# Thử với cache_folder explicit
cache_dir = os.getenv('SENTENCE_TRANSFORMERS_HOME', '/app/.cache/sentence-transformers')
self.model = SentenceTransformer(EMBEDDING_MODEL, cache_folder=cache_dir, trust_remote_code=True)
logger.info("Đã tải sentence transformer model với cache folder explicit")
# Đảm bảo thư mục ChromaDB tồn tại và có quyền ghi
try:
os.makedirs(CHROMA_PERSIST_DIRECTORY, exist_ok=True)
# Test ghi file để kiểm tra permission
test_file = os.path.join(CHROMA_PERSIST_DIRECTORY, 'test_permission.tmp')
with open(test_file, 'w') as f:
f.write('test')
os.remove(test_file)
logger.info(f"Thư mục ChromaDB đã sẵn sàng: {CHROMA_PERSIST_DIRECTORY}")
except Exception as e:
logger.error(f"Lỗi tạo/kiểm tra thư mục ChromaDB: {e}")
# Fallback to /tmp directory
import tempfile
CHROMA_PERSIST_DIRECTORY = os.path.join(tempfile.gettempdir(), 'chroma_db')
os.makedirs(CHROMA_PERSIST_DIRECTORY, exist_ok=True)
logger.warning(f"Sử dụng thư mục tạm thời: {CHROMA_PERSIST_DIRECTORY}")
# Khởi tạo ChromaDB client với persistent storage
try:
self.chroma_client = chromadb.PersistentClient(
path=CHROMA_PERSIST_DIRECTORY,
settings=Settings(
anonymized_telemetry=False,
allow_reset=True
)
)
logger.info(f"Đã kết nối ChromaDB tại: {CHROMA_PERSIST_DIRECTORY}")
except Exception as e:
logger.error(f"Lỗi kết nối ChromaDB: {e}")
# Fallback to in-memory client
logger.warning("Fallback to in-memory ChromaDB client")
self.chroma_client = chromadb.Client()
# Lấy hoặc tạo collection
try:
self.collection = self.chroma_client.get_collection(name=COLLECTION_NAME)
logger.info(f"Đã kết nối collection '{COLLECTION_NAME}' với {self.collection.count()} items")
except Exception:
logger.warning(f"Collection '{COLLECTION_NAME}' không tồn tại, tạo mới...")
self.collection = self.chroma_client.create_collection(name=COLLECTION_NAME)
logger.info(f"Đã tạo collection mới: {COLLECTION_NAME}")
def _add_prefix_to_text(self, text, is_query=True):
"""
Thêm prefix cho text theo yêu cầu của multilingual-e5-base
"""
# Kiểm tra xem text đã có prefix chưa
if text.startswith(('query:', 'passage:')):
return text
# Thêm prefix phù hợp
if is_query:
return f"query: {text}"
else:
return f"passage: {text}"
def encode(self, texts, is_query=True):
"""
Encode văn bản thành embeddings
Args:
texts (str or list): Văn bản hoặc danh sách văn bản cần encode
is_query (bool): True nếu là query, False nếu là passage
Returns:
list: Embeddings vector
"""
try:
if isinstance(texts, str):
texts = [texts]
# Thêm prefix cho texts
processed_texts = [self._add_prefix_to_text(text, is_query) for text in texts]
logger.debug(f"Đang encode {len(processed_texts)} văn bản")
embeddings = self.model.encode(processed_texts, show_progress_bar=False, normalize_embeddings=True)
return embeddings.tolist()
except Exception as e:
logger.error(f"Lỗi encode văn bản: {e}")
raise
def search(self, query, top_k=5, age_filter=None):
"""
Tìm kiếm văn bản tương tự trong ChromaDB
Args:
query (str): Câu hỏi cần tìm kiếm
top_k (int): Số lượng kết quả trả về
age_filter (int): Lọc theo độ tuổi (optional)
Returns:
list: Danh sách kết quả tìm kiếm
"""
try:
logger.debug(f"Dang tim kiem cho query: {query[:50]}...")
# Encode query thành embedding (với prefix query:)
query_embedding = self.encode(query, is_query=True)[0]
# Tạo where clause cho age filter
where_clause = None
if age_filter:
where_clause = {
"$and": [
{"age_min": {"$lte": age_filter}},
{"age_max": {"$gte": age_filter}}
]
}
# Thực hiện search trong ChromaDB
search_results = self.collection.query(
query_embeddings=[query_embedding],
n_results=top_k,
where=where_clause,
include=['documents', 'metadatas', 'distances']
)
if not search_results or not search_results['documents']:
logger.warning("Khong tim thay ket qua nao")
return []
# Format kết quả
results = []
documents = search_results['documents'][0]
metadatas = search_results['metadatas'][0]
distances = search_results['distances'][0]
for i, (doc, metadata, distance) in enumerate(zip(documents, metadatas, distances)):
results.append({
'document': doc,
'metadata': metadata or {},
'distance': distance,
'similarity': 1 - distance, # Chuyển distance thành similarity
'rank': i + 1
})
logger.info(f"Tim thay {len(results)} ket qua cho query")
return results
except Exception as e:
logger.error(f"Loi tim kiem: {e}")
return []
def add_documents(self, documents, metadatas=None, ids=None):
"""
Thêm documents vào ChromaDB
Args:
documents (list): Danh sách văn bản
metadatas (list): Danh sách metadata tương ứng
ids (list): Danh sách ID tương ứng (optional)
Returns:
bool: True nếu thành công
"""
try:
if not documents:
logger.warning("Không có documents để thêm")
return False
# Tạo IDs nếu không được cung cấp
if not ids:
ids = [str(uuid.uuid4()) for _ in documents]
# Tạo metadatas rỗng nếu không được cung cấp
if not metadatas:
metadatas = [{} for _ in documents]
logger.info(f"Đang thêm {len(documents)} documents vào ChromaDB")
# Encode documents thành embeddings (với prefix passage:)
embeddings = self.encode(documents, is_query=False)
# Thêm vào collection
self.collection.add(
embeddings=embeddings,
documents=documents,
metadatas=metadatas,
ids=ids
)
logger.info(f"Đã thêm thành công {len(documents)} documents")
return True
except Exception as e:
logger.error(f"Lỗi thêm documents: {e}")
return False
def index_chunks(self, chunks):
"""
Index các chunks dữ liệu vào ChromaDB
"""
try:
if not chunks:
logger.warning("Không có chunks để index")
return False
documents = []
metadatas = []
ids = []
for chunk in chunks:
if not chunk.get('content'):
logger.warning(f"Chunk thiếu content: {chunk}")
continue
documents.append(chunk['content'])
# Lấy metadata đã được chuẩn bị sẵn
metadata = chunk.get('metadata', {})
metadatas.append(metadata)
# Sử dụng ID có sẵn hoặc tạo mới
chunk_id = chunk.get('id') or str(uuid.uuid4())
ids.append(chunk_id)
if not documents:
logger.warning("Không có documents hợp lệ để index")
return False
# Batch processing để tránh overload
batch_size = 100
total_batches = (len(documents) + batch_size - 1) // batch_size
for i in range(0, len(documents), batch_size):
batch_docs = documents[i:i + batch_size]
batch_metas = metadatas[i:i + batch_size]
batch_ids = ids[i:i + batch_size]
batch_num = (i // batch_size) + 1
logger.info(f"Đang xử lý batch {batch_num}/{total_batches} ({len(batch_docs)} items)")
success = self.add_documents(batch_docs, batch_metas, batch_ids)
if not success:
logger.error(f"Lỗi xử lý batch {batch_num}")
return False
logger.info(f"Đã index thành công {len(documents)} chunks")
return True
except Exception as e:
logger.error(f"Lỗi index chunks: {e}")
return False
def count(self):
"""Đếm số lượng documents trong collection"""
try:
return self.collection.count()
except Exception as e:
logger.error(f"Lỗi đếm documents: {e}")
return 0
def delete_collection(self):
"""Xóa collection hiện tại"""
try:
logger.warning(f"Đang xóa collection: {COLLECTION_NAME}")
self.chroma_client.delete_collection(name=COLLECTION_NAME)
# Tạo lại collection mới
self.collection = self.chroma_client.create_collection(name=COLLECTION_NAME)
logger.info("Đã tạo lại collection mới")
return True
except Exception as e:
logger.error(f"Lỗi xóa collection: {e}")
return False
def get_stats(self):
"""Lấy thống kê về collection"""
try:
total_count = self.count()
# Lấy sample để phân tích metadata
sample_results = self.collection.get(limit=min(100, total_count))
# Thống kê content types
content_types = {}
chapters = {}
age_groups = {}
if sample_results and sample_results.get('metadatas'):
for metadata in sample_results['metadatas']:
if not metadata:
continue
# Content type stats
content_type = metadata.get('content_type', 'unknown')
content_types[content_type] = content_types.get(content_type, 0) + 1
# Chapter stats
chapter = metadata.get('chapter', 'unknown')
chapters[chapter] = chapters.get(chapter, 0) + 1
# Age group stats
age_group = metadata.get('age_group', 'unknown')
age_groups[age_group] = age_groups.get(age_group, 0) + 1
return {
'total_documents': total_count,
'content_types': content_types,
'chapters': chapters,
'age_groups': age_groups,
'collection_name': COLLECTION_NAME,
'embedding_model': EMBEDDING_MODEL
}
except Exception as e:
logger.error(f"Lỗi lấy stats: {e}")
return {
'total_documents': 0,
'error': str(e)
} |