errors fixed

.gitignore

@@ -0,0 +1 @@
+venv

app.py

@@ -1,57 +1,37 @@
 import streamlit as st
 import json
-from typing import List
-from langchain.output_parsers import PydanticOutputParser
-from pydantic.v1 import BaseModel, Field, validator
-from langchain.prompts import PromptTemplate
-from typing import List
-from pydantic import BaseModel, Field, validator, ValidationError
+import logging
+import os
 from typing import List, Tuple
+from pydantic import BaseModel, Field
+from langchain.output_parsers import PydanticOutputParser
 from langchain.prompts import PromptTemplate
-from langchain_openai import OpenAI,ChatOpenAI
+from langchain.chat_models import ChatOpenAI
 
+# Configure logging
+logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
 
-# Modèles Pydantic pour la détection de fautes de style
+# Pydantic models for style error detection
 class StyleErrorDetection(BaseModel):
     erroneous_expression: str = Field(..., description="L'expression ou la tournure incorrecte détectée")
     correct_suggestion: str = Field(..., description="La correction ou suggestion correcte")
     occurrences: int = Field(..., description="Nombre d'occurrences de l'expression erronée")
     indices: List[Tuple[int, int]] = Field(..., description="Indices de début et de fin pour chaque occurrence")
 
-    def to_dict(self):
-        return {
-            "erroneous_expression": self.erroneous_expression,
-            "correct_suggestion": self.correct_suggestion,
-            "occurrences": self.occurrences,
-            "indices": self.indices
-        }
-
 class StyleErrorSummary(BaseModel):
     total_style_errors_detected: int = Field(..., description="Nombre total de fautes de style détectées")
 
-    def to_dict(self):
-        return {
-            "total_style_errors_detected": self.total_style_errors_detected
-        }
-
 class StyleErrorResult(BaseModel):
     style_errors: List[StyleErrorDetection] = Field(..., description="Liste des fautes de style détectées")
     summary: StyleErrorSummary = Field(..., description="Résumé des fautes de style détectées")
 
-    def to_dict(self):
-        return {
-            "style_errors": [error.to_dict() for error in self.style_errors],
-            "summary": self.summary.to_dict()
-        }
-
-# Création du prompt et du modèle LLMChain pour analyser les fautes de style
-
+# Create the output parser
 output_parser = PydanticOutputParser(pydantic_object=StyleErrorResult)
 
-
+# Prompt template with format instructions
 prompt_template = """
 Tu es un détecteur de texte AI très précis. Je vais te donner un texte, et ta mission est de repérer des fautes de style.
-Cela inclut les répétitions, les tournures de phrases maladroites, et les mauvais choix de mots. 
+Cela inclut les répétitions, les tournures de phrases maladroites, et les mauvais choix de mots.
 Pour chaque erreur détectée, tu dois fournir les informations suivantes :
 - L'expression ou la tournure incorrecte détectée
 - La correction ou suggestion correcte
@@ -61,46 +41,54 @@ Pour chaque erreur détectée, tu dois fournir les informations suivantes :
 Le texte à analyser est le suivant :
 ```{text}```
 
-Voici le formattage de la sortie :
-```{output_parser}```
+Voici le format attendu pour la sortie :
+{format_instructions}
 """
 
-# Utilisation de LangChain pour la détection des erreurs
 def get_llm_chain():
-    
-    prompt = PromptTemplate(input_variables=["text"], template=prompt_template)
-    # Remplacez `llm` par votre modèle de langage préféré, tel que OpenAI GPT ou autre
-    # llm = None  # Remplacez ceci par votre modèle LLM
-    # llm_chain = LLMChain(llm=llm, prompt=prompt, output_parser=output_parser)
-    llm = ChatOpenAI(model='gpt-4o',temperature=0.5, api_key="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", verbose = True)
-    llm_chain=  prompt_template | llm | output_parser
-    
+    prompt = PromptTemplate(
+        input_variables=["text"],
+        template=prompt_template,
+        partial_variables={"format_instructions": output_parser.get_format_instructions()},
+    )
+
+    llm = ChatOpenAI(
+        model='gpt-4o',
+        temperature=0.5,
+        api_key="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",
+        verbose=True
+    )
+
+    llm_chain = prompt | llm | output_parser
     return llm_chain
 
-# Fonction pour analyser les fautes de style
 def analyze_style_errors(text: str) -> dict:
+    logging.info(f"Analyzing text: {text[:100]}...")
     llm_chain = get_llm_chain()
-    result = llm_chain.invoke({'text': text})
-    return result.to_dict()
+    logging.info("Running the LLM chain.")
+    result = llm_chain.invoke({"text": text})
+    logging.info("LLM chain completed.")
+    return result
 
-# Interface Streamlit
+# Streamlit interface
 st.title("Détection des fautes de style")
 
-# Champ de saisie de texte
+# Text input field
 input_text = st.text_area("Entrez votre texte ici :", height=200)
 
-# Bouton d'analyse
+# Analyze button
 if st.button("Lancer l'analyse"):
     if input_text:
         try:
-            # Analyse du texte pour détecter les fautes de style
+            # Analyze the text for style errors
             result = analyze_style_errors(input_text)
 
-            # Affichage des résultats en JSON formaté
+            # Display the results in formatted JSON
             st.subheader("Résultats de l'analyse")
             st.json(result)
 
         except Exception as e:
+            logging.error(f"Error during analysis: {e}")
             st.error(f"Une erreur s'est produite lors de l'analyse : {str(e)}")
     else:
         st.error("Veuillez entrer du texte pour lancer l'analyse.")