Create app.py

app.py

@@ -0,0 +1,137 @@
+import streamlit as st
+import pandas as pd
+import torch
+from transformers import AutoTokenizer, AutoModel
+import faiss
+import numpy as np
+
+
+
+
+st.title('Умный поиск фильмов 🔍🎦')
+
+with st.sidebar:
+    st.header('Выберите страницу')
+    page = st.selectbox("Выберите страницу", ["Главная", "Подбор фильмов по описанию", "Итоги"])
+
+if page == "Главная":
+    st.header('Выполнила команда "FindMyMovie":')
+    st.subheader('🎥Алексей')
+    st.subheader('🎬Светлана')
+    st.subheader('🍿Тата')
+    
+
+
+
+    st.subheader('Наши задачи:')
+    st.markdown("""
+<span style='font-size:18px; color:purple;'>Задача 1:</span> Спарсить информацию по 5 тыс. фильмов и обработать ее
+<span style='font-size:18px; color:purple;'>Задача 2:</span> Разработать систему поиска фильма по пользовательскому запросу
+""", unsafe_allow_html=True)
+
+    st.markdown(
+    f"<div style='border: 2px solid #800080; padding: 10px; text-align: center;'><span style='font-size: 20px; color: violet;'>Мы любезно позаимствовали данные о фильмах с \
+    Киноафиши, ни один участник команды при этом не пострадал 💟</span></div>",
+    unsafe_allow_html=True
+)
+
+    st.subheader('   '*10)
+
+
+    st.info('🌟Сервис принимает на вход описание фильма от пользователя и возвращает заданное количество подходящих вариантов')
+
+    df = pd.read_csv('fina_data.csv')
+    st.info('🌟Если не знаете, что посмотреть, нажмите кнопку "Сгенерировать" - сервис предложит вам 10 случайных фильмов из библиотеки')
+    
+
+# Отображаем HTML-разметку в Streamlit
+    if st.button("Сгенерировать 🎲"):
+        # Получение случайных 10 строк
+        random_rows = df[['movie_title', 'description']].sample(n=10).reset_index(drop=True)
+        random_rows.index = random_rows.index + 1
+
+        st.markdown(f"<span style='font-size:{20}px; color:violet'>{'Сегодня мы подобрали для вас следующие фильмы:'}</span>", unsafe_allow_html=True)
+        st.write(random_rows)
+        st.image("1.png", use_column_width=True)
+                
+if page == "Подбор фильмов по описанию":
+    # Загрузка предварительно обученной модели ruBERT
+    tokenizer = AutoTokenizer.from_pretrained("DeepPavlov/rubert-base-cased-sentence")
+    model = AutoModel.from_pretrained("DeepPavlov/rubert-base-cased-sentence")
+        
+    df2 = pd.read_csv('fina_data.csv') 
+    embeddings_array = np.load('embeddings_final.npy')
+    index = faiss.read_index('desc_faiss_index_final.index')
+    
+    def encode_description(description):
+        tokens = tokenizer(description, return_tensors="pt")
+        with torch.no_grad():
+            outputs = model(**tokens)
+        embeddings = outputs.last_hidden_state.mean(dim=1)
+        return embeddings.cpu().numpy().astype('float32')
+        
+    # embeddings = pd.read_pickle('embeddings.pkl')
+    
+    def main():
+
+
+    # Пользовательский ввод
+        user_input = st.text_input("Введите описание фильма:", value="", help="Чем подробнее будет ваше описание, тем точнее мы сможем подобрать для вас фильм 🤗'")
+
+        if st.button("Искать🔍🎦"):
+            if user_input:
+            # Векторизация введенного запроса
+                input_embedding = encode_description(user_input)
+
+            # Поиск с использованием Faiss
+                _, sorted_indices = index.search(input_embedding.reshape(1, -1), 5)  # Изменил на 5
+
+            # Используйте индексы для извлечения строк из DataFrame
+                recs = df2.iloc[sorted_indices[0]].reset_index(drop=True)
+                recs.index = recs.index + 1
+
+            # Вывод рекомендованных фильмов с изображениями
+                st.subheader("Рекомендованные фильмы 🎉:")
+                for i in range(5):
+                    st.markdown(f"<span style='font-size:{20}px; color:purple'>{recs['movie_title'].iloc[i]}</span>", unsafe_allow_html=True)
+                    # Создаем две колонки: одну для текста, другую для изображения
+                    col1, col2 = st.columns([2, 1])
+                
+                    # В  колонке отображ��ем название фильма, описание, роли и ссылку
+                    col1.info(recs['description'].iloc[i])
+                    col1.markdown(f"**В ролях:** {recs['actors'].iloc[i]}")
+                    col1.markdown(f"**Фильм можно посмотреть [здесь]({recs['page_url'].iloc[i]})**")
+                
+                    # В  колонке отображаем изображение
+                    col2.image(recs['image_url'].iloc[i], caption=recs['movie_title'].iloc[i], width=200)
+                with st.sidebar:
+                    st.info("""
+                         #### Мы смогли помочь вам с выбором? 
+                        """)
+                    feedback = st.text_input('Поделитесь с нами вашим мнением')
+                
+                    feedback_button = st.button("Отправить отзыв", key="feedback_button")
+                
+                if feedback_button and feedback:
+                    feedback_container.success("Спасибо, каждый день мы стараемся быть лучше для вас 💟")
+                elif feedback_button:
+                    feedback_container.warning("Пожалуйста, введите отзыв перед отправкой.")
+
+    if __name__ == "__main__":
+        main()
+
+if page == "Итоги":
+    st.header('Инструменты для создания проекта: ')
+    list_text = """
+    <div style='color: violet; border: 2px solid purple; padding: 10px;'>
+        <ul>
+            <li>Используемые языковые модели: rubert-base-cased-sentence, rubert-tiny2</li>
+            <li>Библиотека Sentence Transformers</li>
+            <li>Faiss (для уменьшения времени генерации подборки фильмов)</li>
+            <li>Сайт-жертва для парсинга - <a href="https://www.kinoafisha.info/" style='color: purple;'>Киноафиша</a></li>
+        </ul>
+    </div>
+    """
+
+    # Отображение HTML-разметки в Streamlit
+    st.markdown(list_text, unsafe_allow_html=True)