import os import uuid import tempfile import json import re from datetime import datetime from pathlib import Path from typing import Optional import httpx from fastapi import FastAPI, HTTPException, File, UploadFile from fastapi.responses import JSONResponse, RedirectResponse from fastapi.middleware.cors import CORSMiddleware from pydantic import BaseModel from playwright.async_api import async_playwright from huggingface_hub import HfApi, upload_file class HTMLRequest(BaseModel): html_content: str class YAMLRequest(BaseModel): yaml_content: str class PDFResponse(BaseModel): pdf_url: str filename: str message: str repository_url: str async def call_gemini_api(yaml_content: str) -> str: """ Gemini APIを呼び出してYAMLコンテンツからHTMLを生成 """ try: # 環境変数から設定を取得 gemini_api_key = os.getenv("GEMINI_API_KEY") model_id = os.getenv("MODEL", "gemini-2.5-flash") system_instruction = os.getenv("SYSTEM", "YAMLデータを基にHTMLを生成してください。") if not gemini_api_key: raise HTTPException(status_code=500, detail="GEMINI_API_KEY環境変数が設定されていません") # Gemini APIリクエストボディを構築（公式ドキュメント準拠のシンプルな形式） # システムインストラクションとYAMLデータを結合 combined_prompt = f"{system_instruction}\n\n以下のYAMLデータを基にして、美しいHTMLドキュメントを生成してください。\n\n{yaml_content}" request_body = { "contents": [ { "parts": [ { "text": combined_prompt } ] } ], "generationConfig": { "temperature": 0.75, "responseMimeType": "text/plain" } } # Gemini APIを呼び出し url = f"https://generativelanguage.googleapis.com/v1beta/models/{model_id}:generateContent?key={gemini_api_key}" async with httpx.AsyncClient(timeout=60.0) as client: response = await client.post(url, json=request_body) response.raise_for_status() # レスポンスからHTMLを抽出 result = response.json() # レスポンス構造を解析してHTMLを抽出 if "candidates" in result and len(result["candidates"]) > 0: candidate = result["candidates"][0] if "content" in candidate and "parts" in candidate["content"]: parts = candidate["content"]["parts"] for part in parts: if "text" in part: text = part["text"] # HTMLタグを含む部分を抽出 html_match = re.search(r'.*?', text, re.DOTALL | re.IGNORECASE) if html_match: return html_match.group(0) # HTML全体がない場合はbodyタグを探す body_match = re.search(r'.*?', text, re.DOTALL | re.IGNORECASE) if body_match: return f"{body_match.group(0)}" # それでもない場合は全体をHTMLとして扱う if "<" in text and ">" in text: return text raise HTTPException(status_code=500, detail="Gemini APIレスポンスからHTMLを抽出できませんでした") except httpx.HTTPError as e: raise HTTPException(status_code=500, detail=f"Gemini API呼び出しエラー: {str(e)}") except Exception as e: raise HTTPException(status_code=500, detail=f"Gemini API処理中にエラーが発生しました: {str(e)}") async def html_to_pdf_api(html_content: str) -> tuple[str, str]: """ HTMLコンテンツをPDFに変換してHugging Faceデータセットリポジトリにアップロード knowledge.txtのPlaywright手法を使用（Async版） """ try: # 環境変数からリポジトリ情報を取得 hf_repo_id = os.getenv("HF_DATASET_REPO_ID") hf_token = os.getenv("HF_TOKEN") if not hf_repo_id: raise HTTPException(status_code=500, detail="HF_DATASET_REPO_ID環境変数が設定されていません") if not hf_token: raise HTTPException(status_code=500, detail="HF_TOKEN環境変数が設定されていません") # 一意のファイル名を生成 timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") unique_id = str(uuid.uuid4())[:8] filename = f"document_{timestamp}_{unique_id}.pdf" # 一時ファイルでPDFを生成 with tempfile.NamedTemporaryFile(suffix=".pdf", delete=False) as temp_file: temp_path = temp_file.name # Playwrightでヘッドレスブラウザを起動（Async版） async with async_playwright() as pw: browser = await pw.chromium.launch(headless=True) page = await browser.new_page() # HTMLコンテンツを設定（外部リソース読み込み待機） await page.set_content(html_content, wait_until="networkidle") # 印刷メディアを有効にする await page.emulate_media(media="print") # PDFを生成（test.htmlの設定に準拠） await page.pdf( path=temp_path, format="A4", print_background=True, margin={"top":"15mm","bottom":"15mm","left":"15mm","right":"15mm"}, scale=0.88 # 90%に縮小してA4 2ページに収める ) await browser.close() # Hugging Face リポジトリにアップロード api = HfApi(token=hf_token) upload_file( path_or_fileobj=temp_path, path_in_repo=f"pdfs/{filename}", repo_id=hf_repo_id, repo_type="dataset", token=hf_token, commit_message=f"Add PDF: {filename}" ) # 一時ファイルを削除 os.unlink(temp_path) # ダウンロードURLを生成 pdf_url = f"https://huggingface.co/datasets/{hf_repo_id}/resolve/main/pdfs/{filename}" return filename, pdf_url except HTTPException: raise except Exception as e: raise HTTPException(status_code=500, detail=f"PDF生成中にエラーが発生しました: {str(e)}") # FastAPIアプリケーションの初期化 app = FastAPI( title="HTML to PDF Converter API", description="日本語対応のHTML→PDF変換API。複雑なレイアウトやWebフォントを含むHTMLコンテンツを、正確にA4サイズのPDFに変換します。", version="1.0.0", docs_url="/docs", redoc_url="/redoc" ) # CORS設定 app.add_middleware( CORSMiddleware, allow_origins=["*"], allow_credentials=True, allow_methods=["*"], allow_headers=["*"], ) @app.get("/") async def root(): """ API情報を返すルートエンドポイント """ hf_repo_id = os.getenv("HF_DATASET_REPO_ID", "未設定") return { "message": "HTML to PDF Converter API", "description": "HTMLコンテンツをA4サイズのPDFに変換し、Hugging Faceデータセットリポジトリに保存するAPI", "version": "1.0.0", "storage": f"Hugging Face Dataset Repository: {hf_repo_id}", "endpoints": { "convert": "/convert - HTMLをPDFに変換してHFリポジトリに保存", "convert-yaml": "/convert-yaml - YAMLをGemini APIでHTMLに変換してPDF化", "files": "/files - HFリポジトリ内のPDFファイル一覧", "docs": "/docs - API仕様書", "health": "/health - ヘルスチェック" } } @app.post("/convert", response_model=PDFResponse) async def convert_html_to_pdf(request: HTMLRequest): """ HTMLコンテンツをPDFに変換してHugging Faceデータセットリポジトリに保存するエンドポイント - **html_content**: 変換するHTMLコンテンツ Returns: - **pdf_url**: 生成されたPDFのダウンロードURL（Hugging Face上） - **filename**: PDFファイル名 - **message**: 処理結果メッセージ - **repository_url**: リポジトリURL """ if not request.html_content or not request.html_content.strip(): raise HTTPException(status_code=400, detail="HTMLコンテンツが空です") try: filename, pdf_url = await html_to_pdf_api(request.html_content) hf_repo_id = os.getenv("HF_DATASET_REPO_ID") repository_url = f"https://huggingface.co/datasets/{hf_repo_id}" return PDFResponse( pdf_url=pdf_url, filename=filename, message=f"✅ PDFが正常に生成され、Hugging Faceリポジトリに保存されました: {filename}", repository_url=repository_url ) except HTTPException: raise except Exception as e: raise HTTPException(status_code=500, detail=f"処理中にエラーが発生しました: {str(e)}") @app.get("/download/{filename}") async def download_pdf(filename: str): """ Hugging FaceリポジトリのPDFファイルへリダイレクトするエンドポイント - **filename**: ダウンロードするPDFファイル名 """ hf_repo_id = os.getenv("HF_DATASET_REPO_ID") if not hf_repo_id: raise HTTPException(status_code=500, detail="HF_DATASET_REPO_ID環境変数が設定されていません") # Hugging Face上のファイルURLにリダイレクト pdf_url = f"https://huggingface.co/datasets/{hf_repo_id}/resolve/main/pdfs/{filename}" return RedirectResponse(url=pdf_url) @app.get("/health") async def health_check(): """ ヘルスチェックエンドポイント """ return {"status": "healthy", "timestamp": datetime.now().isoformat()} @app.post("/convert-yaml", response_model=PDFResponse) async def convert_yaml_to_pdf(request: YAMLRequest): """ YAMLコンテンツをGemini APIでHTMLに変換し、PDFを生成してHugging Faceデータセットリポジトリに保存するエンドポイント - **yaml_content**: 変換するYAMLコンテンツ Returns: - **pdf_url**: 生成されたPDFのダウンロードURL（Hugging Face上） - **filename**: PDFファイル名 - **message**: 処理結果メッセージ - **repository_url**: リポジトリURL """ if not request.yaml_content or not request.yaml_content.strip(): raise HTTPException(status_code=400, detail="YAMLコンテンツが空です") try: # YAMLからGemini APIでHTMLを生成 html_content = await call_gemini_api(request.yaml_content) # 生成されたHTMLをPDFに変換 filename, pdf_url = await html_to_pdf_api(html_content) hf_repo_id = os.getenv("HF_DATASET_REPO_ID") repository_url = f"https://huggingface.co/datasets/{hf_repo_id}" return PDFResponse( pdf_url=pdf_url, filename=filename, message=f"✅ YAMLからPDFが正常に生成され、Hugging Faceリポジトリに保存されました: {filename}", repository_url=repository_url ) except HTTPException: raise except Exception as e: raise HTTPException(status_code=500, detail=f"処理中にエラーが発生しました: {str(e)}") @app.get("/files") async def list_files(): """ Hugging Faceリポジトリ内のPDFファイル一覧を取得するエンドポイント """ try: hf_repo_id = os.getenv("HF_DATASET_REPO_ID") hf_token = os.getenv("HF_TOKEN") if not hf_repo_id: raise HTTPException(status_code=500, detail="HF_DATASET_REPO_ID環境変数が設定されていません") if not hf_token: raise HTTPException(status_code=500, detail="HF_TOKEN環境変数が設定されていません") api = HfApi(token=hf_token) # リポジトリ内のファイル一覧を取得 try: repo_files = api.list_repo_files(repo_id=hf_repo_id, repo_type="dataset") pdf_files = [f for f in repo_files if f.startswith("pdfs/") and f.endswith(".pdf")] files = [] for file_path in pdf_files: filename = Path(file_path).name file_info = api.get_paths_info(repo_id=hf_repo_id, paths=[file_path], repo_type="dataset")[0] files.append({ "filename": filename, "path": file_path, "size": file_info.size if hasattr(file_info, 'size') else 0, "last_modified": file_info.last_commit.date.isoformat() if hasattr(file_info, 'last_commit') and file_info.last_commit else None, "download_url": f"https://huggingface.co/datasets/{hf_repo_id}/resolve/main/{file_path}", "api_download_url": f"/download/{filename}" }) return { "repository": hf_repo_id, "total_files": len(files), "files": files } except Exception as e: # リポジトリが空の場合やpdfsフォルダが存在しない場合 return { "repository": hf_repo_id, "total_files": 0, "files": [], "note": "No PDF files found or repository is empty" } except HTTPException: raise except Exception as e: raise HTTPException(status_code=500, detail=f"ファイル一覧取得中にエラーが発生しました: {str(e)}") if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=7860)