Update app.py

app.py

@@ -2,15 +2,15 @@ import gradio as gr
 import pdfplumber
 from transformers import pipeline
 
-# Lżejszy model NER
-extractor = pipeline("ner", model="xlm-roberta-large-finetuned-conll03", aggregation_strategy="simple")
+# Lżejszy model NER (publicznie dostępny)
+extractor = pipeline("ner", model="dbmdz/bert-large-cased-finetuned-conll03-english", aggregation_strategy="simple")
 
 def extract_seller(pdf_file):
     with pdfplumber.open(pdf_file) as pdf:
-        # Pobranie tekstu ze wszystkich stron
+        # Pobranie tekstu z PDF
         full_text = "\n".join(page.extract_text() for page in pdf.pages if page.extract_text())
 
-    # Podział na krótkie fragmenty (maks. 512 znaków, aby model działał szybciej)
+    # Podział tekstu na krótkie fragmenty (maks. 512 znaków)
     chunks = [full_text[i:i+512] for i in range(0, len(full_text), 512)]
 
     seller_name = None
@@ -19,23 +19,4 @@ def extract_seller(pdf_file):
         entities = extractor(chunk)
 
         for entity in entities:
-            if "ORG" in entity["entity_group"]:  # Szukamy nazw organizacji
-                seller_name = entity["word"]
-                break  # Pobieramy pierwszą wykrytą firmę jako sprzedawcę
-
-        if seller_name:  # Jeśli znaleziono sprzedawcę, przerywamy pętlę
-            break
-
-    return {"Sprzedawca": seller_name if seller_name else "Nie znaleziono"}
-
-# Interfejs użytkownika w Hugging Face Spaces
-iface = gr.Interface(
-    fn=extract_seller,
-    inputs=gr.File(label="Wybierz plik PDF"),
-    outputs="json",
-    title="Ekstrakcja Sprzedawcy z Faktury",
-    description="Prześlij plik PDF, aby wydobyć nazwę sprzedawcy."
-)
-
-if __name__ == "__main__":
-    iface.launch()
+            if "ORG" in entity["entity_group"]:  #