Delete app.py

app.py

@@ -1,180 +0,0 @@
-import streamlit as st
-from dotenv import load_dotenv
-from PyPDF2 import PdfReader
-from langchain.text_splitter import CharacterTextSplitter, RecursiveCharacterTextSplitter
-from langchain.embeddings import OpenAIEmbeddings, HuggingFaceInstructEmbeddings
-from langchain.vectorstores import FAISS, Chroma
-from langchain.embeddings import HuggingFaceEmbeddings  # General embeddings from HuggingFace models.
-from langchain.chat_models import ChatOpenAI
-from langchain.memory import ConversationBufferMemory
-from langchain.chains import ConversationalRetrievalChain
-from htmlTemplates import css, bot_template, user_template
-from langchain.llms import HuggingFaceHub, LlamaCpp, CTransformers  # For loading transformer models.
-from langchain.document_loaders import PyPDFLoader, TextLoader, JSONLoader, CSVLoader
-import tempfile # 임시 파일을 생성하기 위한 라이브러리입니다.
-import os
-       
-# PDF 문서로부터 텍스트를 추출하는 함수입니다.
-def get_pdf_text(pdf_docs):
-    temp_dir = tempfile.TemporaryDirectory() # 임시 디렉토리를 생성합니다.
-    temp_filepath = os.path.join(temp_dir.name, pdf_docs.name) # 임시 파일 경로를 생성합니다.
-    with open(temp_filepath, "wb") as f:  # 임시 파일을 바이너리 쓰기 모드로 엽니다.
-        f.write(pdf_docs.getvalue()) # PDF 문서의 내용을 임시 파일에 씁니다.
-    pdf_loader = PyPDFLoader(temp_filepath) # PyPDFLoader를 사용해 PDF를 로드합니다.
-    pdf_doc = pdf_loader.load() # 텍스트를 추출합니다.
-    return pdf_doc # 추출한 텍스트를 반환합니다.
-
-# 과제
-# 아래 텍스트 추출 함수를 작성
-
-def get_text_file(text_docs):
-    temp_dir = tempfile.TemporaryDirectory() # 임시 디렉토리를 생성합니다.
-    temp_filepath = os.path.join(temp_dir.name, text_docs.name) # 임시 파일 경로를 생성합니다.
-    with open(temp_filepath, "wb") as f:  # 임시 파일을 바이너리 쓰기 모드로 엽니다.
-        f.write(text_docs.getvalue()) #  문서의 내용을 임시 파일에 씁니다.
-    text_loader = TextLoader(temp_filepath)
-    text_doc = text_loader.load()# 텍스트를 추출합니다.
-    return text_doc # 추출한 텍스트를 반환합니다.
-
-def get_csv_file(csv_docs):
-    temp_dir = tempfile.TemporaryDirectory() # 임시 디렉토리를 생성합니다.
-    temp_filepath = os.path.join(temp_dir.name, csv_docs.name) # 임시 파일 경로를 생성합니다.
-    with open(temp_filepath, "wb") as f:  # 임시 파일을 바이너리 쓰기 모드로 엽니다.
-        f.write(csv_docs.getvalue()) # 문서의 내용을 임시 파일에 씁니다.
-    csv_loader = CSVLoader(temp_filepath)
-    csv_doc = csv_loader.load()# 텍스트를 추출합니다.
-    return csv_doc # 추출한 텍스트를 반환합니다.
-
-def get_json_file(docs):
-    text_list = []
-    for doc in docs:
-        text_list.append(get_text_from_json_file(doc))
-    return text_list
-
-    
-# 문서들을 처리하여 텍스트 청크로 나누는 함수입니다.
-def get_text_chunks(documents):
-    text_splitter = RecursiveCharacterTextSplitter(
-        chunk_size=1000, # 청크의 크기를 지정합니다.
-        chunk_overlap=200, # 청크 사이의 중복을 지정합니다.
-        length_function=len # 텍스트의 길이를 측정하는 함수를 지정합니다.
-    )
-
-    documents = text_splitter.split_documents(documents) # 문서들을 청크로 나눕니다
-    return documents # 나눈 청크를 반환합니다.
-
-
-# 텍스트 청크들로부터 벡터 스토어를 생성하는 함수입니다.
-def get_vectorstore(text_chunks):
-    # OpenAI 임베딩 모델을 로드합니다. (Embedding models - Ada v2)
-
-    embeddings = OpenAIEmbeddings()
-    vectorstore = FAISS.from_documents(text_chunks, embeddings) # FAISS 벡터 스토어를 생성합니다.
-
-    return vectorstore # 생성된 벡터 스토어를 반환합니다.
-
-
-def get_conversation_chain(vectorstore):
-    gpt_model_name = 'gpt-3.5-turbo'
-    llm = ChatOpenAI(model_name = gpt_model_name) #gpt-3.5 모델 로드
-    
-    # 대화 기록을 저장하기 위한 메모리를 생성합니다.
-    memory = ConversationBufferMemory(
-        memory_key='chat_history', return_messages=True)
-    # 대화 검색 체인을 생성합니다.
-    conversation_chain = ConversationalRetrievalChain.from_llm(
-        llm=llm,
-        retriever=vectorstore.as_retriever(),
-        memory=memory
-    )
-    return conversation_chain
-
-# 사용자 입력을 처리하는 함수입니다.
-from transformers import pipeline
-
-# Hugging Face의 question-answering 모델을 로드합니다.
-model_name = "bert-base-uncased"
-qa_model = pipeline("question-answering", model=model_name)
-
-def generate_answer(question, context):
-    # 질문과 문맥을 입력으로 받아 답변을 생성합니다.
-    answer = qa_model(question=question, context=context)
-    return answer["answer"]
-
-# 사용자 입력을 처리하는 함수입니다.
-def handle_userinput(user_question):
-    # 대화 체인을 사용하여 사용자 질문에 대한 응답을 생성합니다.
-    response = st.session_state.conversation({'question': user_question})
-    # 대화 기록을 저장합니다.
-    st.session_state.chat_history = response['chat_history']
-
-    for i, message in enumerate(st.session_state.chat_history):
-        if i % 2 == 0:
-            st.write(user_template.replace("{{MSG}}", message.content), unsafe_allow_html=True)
-        else:
-            st.write(bot_template.replace("{{MSG}}", message.content), unsafe_allow_html=True)
-
-        # 질문에 대한 답변을 생성하여 출력합니다.
-        if i % 2 == 1 and i > 0:
-            prev_user_message = st.session_state.chat_history[i-1].content
-            answer = generate_answer(message.content, prev_user_message)
-            st.write(bot_template.replace("{{MSG}}", answer), unsafe_allow_html=True)
-
-
-def main():
-    load_dotenv()
-    st.set_page_config(page_title="Chat with multiple Files",
-                       page_icon=":books:")
-    st.write(css, unsafe_allow_html=True)
-
-    if "conversation" not in st.session_state:
-        st.session_state.conversation = None
-    if "chat_history" not in st.session_state:
-        st.session_state.chat_history = None
-
-    st.header("Chat with multiple Files :")
-    user_question = st.text_input("Ask a question about your documents:")
-    if user_question:
-        handle_userinput(user_question)
-
-    with st.sidebar:
-        openai_key = st.text_input("Paste your OpenAI API key (sk-...)")
-        if openai_key:
-            os.environ["OPENAI_API_KEY"] = openai_key
-
-        st.subheader("Your documents")
-        docs = st.file_uploader(
-            "Upload your PDFs here and click on 'Process'", accept_multiple_files=True)
-        if st.button("Process"):
-            with st.spinner("Processing"):
-                # get pdf text
-                doc_list = []
-
-                for file in docs:
-                    print('file - type : ', file.type)
-                    if file.type == 'text/plain':
-                        # file is .txt
-                        doc_list.extend(get_text_file(file))
-                    elif file.type in ['application/octet-stream', 'application/pdf']:
-                        # file is .pdf
-                        doc_list.extend(get_pdf_text(file))
-                    elif file.type == 'text/csv':
-                        # file is .csv
-                        doc_list.extend(get_csv_file(file))
-                    elif file.type == 'application/json':
-                        # file is .json
-                        doc_list.extend(get_json_file(file))
-
-                # get the text chunks
-                text_chunks = get_text_chunks(doc_list)
-
-                # create vector store
-                vectorstore = get_vectorstore(text_chunks)
-
-                # create conversation chain
-                st.session_state.conversation = get_conversation_chain(
-                    vectorstore)
-
-
-if __name__ == '__main__':
-    main()