Update app.py

app.py

@@ -1,34 +1,26 @@
 import gradio as gr
+import pdfplumber
 import os
 from langchain.vectorstores import Chroma
 from langchain_community.document_loaders import PyPDFLoader
 from langchain_community.embeddings import HuggingFaceEmbeddings
 from langchain.chains import RetrievalQA
 from langchain.prompts import PromptTemplate
-import fitz  # PyMuPDF für das Extrahieren von Text aus PDFs
 
-# Funktion zum Extrahieren von Text aus einer PDF
 def extract_text_from_pdf(pdf_path):
-    doc = fitz.open(pdf_path)  # Öffnen der PDF-Datei
-    text_pages = []
-    
-    # Durch alle Seiten der PDF iterieren und Text extrahieren
-    for page_num in range(doc.page_count):
-        page = doc.load_page(page_num)
-        text = page.get_text("text")  # Extrahiert den Text als "plain text"
-        text_pages.append(text)
-    
-    return text_pages
+    # Verwende pdfplumber, um den Text aus der PDF zu extrahieren
+    with pdfplumber.open(pdf_path) as pdf:
+        full_text = ""
+        for page in pdf.pages:
+            full_text += page.extract_text()
+    return full_text
 
-# Frage-Antwort-Funktion mit Langchain und Chroma
 def process_pdf_and_query(pdf_path, question):
-    # Extrahiere Text aus der PDF
-    extracted_text = extract_text_from_pdf(pdf_path)
-    
-    # Dokumente für Langchain laden
-    documents = [{"text": page_text} for page_text in extracted_text]
+    text = extract_text_from_pdf(pdf_path)
 
-    # Embedding und Vektorstore vorbereiten
+    # Extrahiere die Dokumente und erstelle einen Vektorstore
+    documents = [{"text": text}]
+    
     embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
     vectordb = Chroma.from_documents(documents, embeddings)
 
@@ -36,23 +28,22 @@ def process_pdf_and_query(pdf_path, question):
     prompt_template = "Beantworte die folgende Frage basierend auf dem Dokument: {context}\nFrage: {question}\nAntwort:"
     prompt = PromptTemplate(input_variables=["context", "question"], template=prompt_template)
 
-    # Erstellung der RetrievalQA-Kette
     qa_chain = RetrievalQA.from_chain_type(llm=None, retriever=retriever, chain_type_kwargs={"prompt": prompt})
     response = qa_chain.run(input_documents=documents, question=question)
-    
     return response
 
-# Gradio Antwortfunktion
 def chatbot_response(pdf, question):
-    # Speichern der hochgeladenen PDF-Datei
+    # Gradio gibt uns die PDF als NamedString, wir extrahieren den Inhalt als Byte-Stream
     pdf_path = "/tmp/uploaded_pdf.pdf"
-    pdf_content = pdf.read()  # Hole den Inhalt der PDF als Byte-Stream
     
-    # Speichern des Byte-Streams in einer Datei
+    # Extrahiere den Inhalt der Datei als Bytes
+    pdf_content = pdf.read()  # Hier holen wir den Inhalt der PDF als Byte-Stream
+
+    # Speichern des Byte-Streams von der Datei
     with open(pdf_path, "wb") as f:
         f.write(pdf_content)
-    
-    # Frage beantworten basierend auf der extrahierten PDF und der Frage
+
+    # Frage beantworten basierend auf der PDF und extrahiertem Text
     answer = process_pdf_and_query(pdf_path, question)
 
     # Temporäre Datei löschen
@@ -60,12 +51,11 @@ def chatbot_response(pdf, question):
     
     return answer
 
-# Gradio Interface erstellen
+# Gradio Interface
 pdf_input = gr.File(label="PDF-Datei hochladen")
 question_input = gr.Textbox(label="Frage eingeben")
 response_output = gr.Textbox(label="Antwort")
 
-# Gradio Interface starten
 interface = gr.Interface(
     fn=chatbot_response,
     inputs=[pdf_input, question_input],