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 def extract_text_from_pdf(pdf_path): # 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 def process_pdf_and_query(pdf_path, question): text = extract_text_from_pdf(pdf_path) # 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) retriever = vectordb.as_retriever() prompt_template = "Beantworte die folgende Frage basierend auf dem Dokument: {context}\nFrage: {question}\nAntwort:" prompt = PromptTemplate(input_variables=["context", "question"], template=prompt_template) 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 def chatbot_response(pdf, question): # Gradio gibt uns die PDF als NamedString, wir extrahieren den Inhalt als Byte-Stream pdf_path = "/tmp/uploaded_pdf.pdf" # 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 PDF und extrahiertem Text answer = process_pdf_and_query(pdf_path, question) # Temporäre Datei löschen os.remove(pdf_path) return answer # Gradio Interface pdf_input = gr.File(label="PDF-Datei hochladen") question_input = gr.Textbox(label="Frage eingeben") response_output = gr.Textbox(label="Antwort") interface = gr.Interface( fn=chatbot_response, inputs=[pdf_input, question_input], outputs=response_output, title="RAG Chatbot mit PDF-Unterstützung", description="Lade eine PDF-Datei hoch und stelle Fragen zu ihrem Inhalt." ) if __name__ == "__main__": interface.launch()