app.py

import faiss
import numpy as np
import gradio as gr
from sentence_transformers import SentenceTransformer
import fitz  # PyMuPDF für die Textextraktion aus PDFs
from transformers import pipeline
import logging

# Logging konfigurieren
logging.basicConfig(level=logging.INFO)

# Schritt 1: Lade das Modell für die Embeddings
model = SentenceTransformer('all-mpnet-base-v2')  # Besser geeignet für längere Texte
qa_model = pipeline("question-answering", model="distilbert-base-cased-distilled-squad")

# FAISS-Index erstellen
def create_faiss_index(documents):
    document_embeddings = model.encode(documents)
    dimension = len(document_embeddings[0])
    index = faiss.IndexFlatL2(dimension)
    document_embeddings = np.array(document_embeddings).astype('float32')
    index.add(document_embeddings)  # Füge Dokumente zum Index hinzu
    return index, documents

# Schritt 2: Extrahiere Text aus einem PDF (kleinere Abschnitte, z. B. Absätze)
def extract_text_from_pdf(pdf_path):
    doc = fitz.open(pdf_path)
    text_chunks = []
    for page_num in range(len(doc)):
        page = doc.load_page(page_num)
        text = page.get_text("text")
        # Text in kleinere Abschnitte (z. B. Absätze) unterteilen
        chunks = text.split('\n\n')  # Unterteilen nach Absätzen
        text_chunks.extend(chunks)
    return text_chunks

# Schritt 3: Suche nach mehreren passenden Abschnitten
def search_documents(query, index, documents, k=5):
    query_embedding = model.encode([query])[0].astype('float32')
    D, I = index.search(np.array([query_embedding]), k=k)  # Suche nach den Top k Treffern
    results = [documents[i] for i in I[0]]
    return " ".join(results)  # Kombiniere die Top-Ergebnisse

# Schritt 4: Nutze das QA-Modell, um eine präzise Antwort zu generieren
def generate_answer(context, question):
    result = qa_model(question=question, context=context)
    return result['answer']

# Schritt 5: Gesamtprozess (Fragebeantwortung)
def chatbot_response(pdf_path, question):
    logging.info(f"Frage: {question}")
    
    # Textextraktion aus der PDF
    text_chunks = extract_text_from_pdf(pdf_path)

    # FAISS-Index erstellen
    index, documents = create_faiss_index(text_chunks)

    # Suche nach Kontext
    context = search_documents(question, index, documents, k=5)
    logging.info(f"Gefundener Kontext: {context[:500]}")  # Nur die ersten 500 Zeichen anzeigen

    # Antwort generieren
    answer = generate_answer(context, question)
    return answer

# Gradio-Interface
pdf_input = gr.File(label="PDF-Datei hochladen", type="filepath")  # Ändert type="file" zu 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 erstellen
interface = gr.Interface(
    fn=chatbot_response,
    inputs=[pdf_input, question_input],
    outputs=response_output,
    title="PDF-Fragebeantwortung mit FAISS und Transformers",
    description="Lade eine PDF-Datei hoch und stelle Fragen zu ihrem Inhalt. Das System verwendet FAISS, Transformers und ein QA-Modell, um präzise Antworten zu liefern."
)

if __name__ == "__main__":
    interface.launch()