app.py

import gradio as gr
from transformers import pipeline
from PyPDF2 import PdfReader
import os

# Setze das T5-small Modell für die Frage-Antwort-Pipeline
qa_model = pipeline("question-answering", model="t5-small")

# Funktion zur Extraktion von Text aus einer PDF-Datei
def extract_text_from_pdf(pdf_path):
    # Lade die PDF und extrahiere den Text
    reader = PdfReader(pdf_path)
    text = ""
    for page in reader.pages:
        text += page.extract_text()
    return text

# Funktion zur Beantwortung der Frage basierend auf dem extrahierten PDF-Text
def chatbot_response(pdf_path, question):
    # Extrahiere den Text aus der PDF
    context = extract_text_from_pdf(pdf_path)
    
    # Generiere eine Antwort basierend auf der Frage und dem extrahierten Kontext
    result = qa_model(question=question, context=context)
    
    return result['answer']

# Gradio-Interface erstellen
pdf_input = gr.File(label="PDF-Datei hochladen", type="filepath")
question_input = gr.Textbox(label="Frage eingeben", placeholder="Stelle eine Frage zu dem PDF-Dokument")
response_output = gr.Textbox(label="Antwort")

# Gradio-Interface für die Benutzeroberfläche
interface = gr.Interface(
    fn=chatbot_response,
    inputs=[pdf_input, question_input],
    outputs=response_output,
    title="PDF-Fragebeantwortung mit T5 und Transformers",
    description="Lade eine PDF-Datei hoch und stelle Fragen zu ihrem Inhalt. Das System verwendet T5, um die passende Antwort zu finden."
)

# Gradio-Interface starten
if __name__ == "__main__":
    interface.launch()