Update app.py

app.py

@@ -6,91 +6,6 @@ from gradio_client import Client
 from chromadb.config import DEFAULT_DATABASE, DEFAULT_TENANT
 
 
-# Initialisiere ChromaDB
-#client_chroma = chromadb.Client()
-client_chroma = chromadb.PersistentClient(path="./chroma", settings=None,tenant=DEFAULT_TENANT,database=DEFAULT_DATABASE)
-
-collection_name = "pdf_collection"
-collection = client_chroma.get_or_create_collection(name=collection_name)
-
-# Verwende die integrierten Embeddings von ChromaDB
-embedding_function = embedding_functions.DefaultEmbeddingFunction()
-
-client = Client("Qwen/Qwen2.5-72B-Instruct")
-def ask_llm(llm_prompt_input): 
-    result = client.predict(
-		query=f"{llm_prompt_input}",
-		history=[],
-		system="You are Qwen, created by Alibaba Cloud. You are a helpful assistant.",
-		api_name="/model_chat"
-)
-    print(result)
-    return result
-   
-def process_pdf(file):
-    # Lese den PDF-Inhalt
-    pdf_reader = PdfReader(file.name)
-    text = ""
-    for page in pdf_reader.pages:
-        text += page.extract_text()
-    
-    # Erstelle Embedding
-    embedding = embedding_function([text])[0]
-    
-    # Speichere das PDF in ChromaDB
-    collection.add(
-        documents=[text],
-        metadatas=[{"filename": file.name}],
-        ids=[file.name]  # Verwende den Dateinamen als ID
-    )
-    
-    return f"PDF {file.name} wurde erfolgreich in ChromaDB gespeichert."
-
-def search_similar_documents(prompt):
-    # Erstelle Embedding für den Prompt
-    query_embedding = embedding_function([prompt])[0]
-    
-    # Führe die Ähnlichkeitssuche durch
-    results = collection.query(
-        query_embeddings=[query_embedding],
-        n_results=3
-    )
-    
-    # Formatiere die Ergebnisse
-    formatted_results = []
-    for i, doc in enumerate(results["documents"][0]):
-        metadata = results["metadatas"][0][i]
-        filename = metadata["filename"]
-        formatted_results.append(f"{doc}\n")
-    
-    return "\n".join(formatted_results)
-   
-# Erstelle die Gradio-Schnittstelle
-with gr.Blocks() as demo:
-    gr.Markdown("# PDF Upload and Similarity Search with ChromaDB and LLM")   
-    with gr.Row():
-        file_input = gr.File(label="Wähle eine PDF-Datei aus", type="filepath")
-        upload_output = gr.Textbox(label="Upload Status")
-    with gr.Row():
-        submit_button = gr.Button("upload")
-    with gr.Row():
-        prompt_input = gr.Textbox(label="Suche nach ähnlichen Dokumenten", placeholder="Gib einen Suchbegriff ein")
-        search_output = gr.Textbox(label="Ähnliche Dokumente")
-    with gr.Row():
-        search_button = gr.Button("Suchen")
-    with gr.Row():
-        llm_prompt_input = gr.Textbox(label="Frage an das LLM", placeholder="Gib eine Frage ein")
-        llm_output = gr.Textbox(label="LLM Antwort")
-    with gr.Row():
-        llm_submit_button = gr.Button("send")
-    
-    submit_button.click(process_pdf, inputs=file_input, outputs=upload_output)
-    search_button.click(search_similar_documents, inputs=prompt_input, outputs=search_output)
-    llm_submit_button.click(ask_llm, inputs=llm_prompt_input, outputs=llm_output)
-
-# Starte die Gradio-Anwendung
-demo.launch()
-
 # Initialisiere ChromaDB
 client_chroma = chromadb.Client()
 #client_croma = chromadb.PersistentClient(path="/")
@@ -128,7 +43,7 @@ def process_pdf(file):
         ids=[file.name]  # Verwende den Dateinamen als ID
     )
     
-    return f"PDF {file.name} wurde erfolgreich in ChromaDB gespeichert."
+    return f"PDF wurde erfolgreich in ChromaDB gespeichert."
 
 def search_similar_documents(prompt):
     # Erstelle Embedding für den Prompt
@@ -172,8 +87,6 @@ with gr.Blocks() as upload:
         submit_button = gr.Button("upload")
     submit_button.click(process_pdf, inputs=file_input, outputs=upload_output)
 
-    
-
 # Erstelle die Gradio-Schnittstelle
 with gr.Blocks() as demo:
     gr.TabbedInterface(