File size: 9,775 Bytes
7c7d442 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 |
import os
import sys
import sqlite3
from datasets import Dataset
from transformers import AutoTokenizer, AutoModelForSequenceClassification, TFAutoModelForSequenceClassification, Trainer, TrainingArguments
from bs4 import BeautifulSoup
import xml.etree.ElementTree as ET
import pyth.plugins.rtf15.reader as rtf15_reader
import pyth.plugins.plaintext.writer as plaintext_writer
SUPPORTED_FILE_TYPES = ['.sh', '.bat', '.ps1', '.cs', '.c', '.cpp', '.h', '.cmake', '.py', '.git', '.sql', '.csv', '.sqlite', '.lsl', '.html', '.xml', '.rtf']
def extrahiere_parameter(file_path):
try:
with open(file_path, 'r', encoding='utf-8') as file:
lines = file.readlines()
anzahl_zeilen = len(lines)
anzahl_zeichen = sum(len(line) for line in lines)
long_text_mode = anzahl_zeilen > 1000
dimensionalität = 1 # Beispielwert, kann angepasst werden
return {
"text": file_path,
"anzahl_zeilen": anzahl_zeilen,
"anzahl_zeichen": anzahl_zeichen,
"long_text_mode": long_text_mode,
"dimensionalität": dimensionalität
}
except UnicodeDecodeError as e:
print(f"Fehler beim Lesen der Datei {file_path}: {e}")
return None
except Exception as e:
print(f"Allgemeiner Fehler beim Lesen der Datei {file_path}: {e}")
return None
def extrahiere_parameter_html(file_path):
try:
with open(file_path, 'r', encoding='utf-8') as file:
content = file.read()
soup = BeautifulSoup(content, 'html.parser')
text = soup.get_text()
anzahl_zeilen = text.count('\n')
anzahl_zeichen = len(text)
long_text_mode = anzahl_zeilen > 1000
dimensionalität = 1
return {
"text": text,
"anzahl_zeilen": anzahl_zeilen,
"anzahl_zeichen": anzahl_zeichen,
"long_text_mode": long_text_mode,
"dimensionalität": dimensionalität
}
except Exception as e:
print(f"Fehler beim Lesen der HTML-Datei {file_path}: {e}")
return None
def extrahiere_parameter_xml(file_path):
try:
tree = ET.parse(file_path)
root = tree.getroot()
text = ET.tostring(root, encoding='unicode', method='text')
anzahl_zeilen = text.count('\n')
anzahl_zeichen = len(text)
long_text_mode = anzahl_zeilen > 1000
dimensionalität = 1
return {
"text": text,
"anzahl_zeilen": anzahl_zeilen,
"anzahl_zeichen": anzahl_zeichen,
"long_text_mode": long_text_mode,
"dimensionalität": dimensionalität
}
except Exception as e:
print(f"Fehler beim Lesen der XML-Datei {file_path}: {e}")
return None
def extrahiere_parameter_rtf(file_path):
try:
with open(file_path, 'rb') as file:
doc = rtf15_reader.read(file)
text = plaintext_writer.write(doc).getvalue()
anzahl_zeilen = text.count('\n')
anzahl_zeichen = len(text)
long_text_mode = anzahl_zeilen > 1000
dimensionalität = 1
return {
"text": text,
"anzahl_zeilen": anzahl_zeilen,
"anzahl_zeichen": anzahl_zeichen,
"long_text_mode": long_text_mode,
"dimensionalität": dimensionalität
}
except Exception as e:
print(f"Fehler beim Lesen der RTF-Datei {file_path}: {e}")
return None
def durchsuchen_und_extrahieren(root_dir, db_pfad):
try:
with sqlite3.connect(db_pfad) as conn:
cursor = conn.cursor()
cursor.execute('''CREATE TABLE IF NOT EXISTS dateiparameter
(id INTEGER PRIMARY KEY,
dateipfad TEXT,
anzahl_zeilen INTEGER,
anzahl_zeichen INTEGER,
long_text_mode BOOLEAN,
dimensionalität INTEGER)''')
for subdir, _, files in os.walk(root_dir):
for file in files:
file_path = os.path.join(subdir, file)
if file.endswith('.html'):
parameter = extrahiere_parameter_html(file_path)
elif file.endswith('.xml'):
parameter = extrahiere_parameter_xml(file_path)
elif file.endswith('.rtf'):
parameter = extrahiere_parameter_rtf(file_path)
elif any(file.endswith(ext) for ext in SUPPORTED_FILE_TYPES):
parameter = extrahiere_parameter(file_path)
else:
continue
if parameter:
cursor.execute('''INSERT INTO dateiparameter (dateipfad, anzahl_zeilen, anzahl_zeichen, long_text_mode, dimensionalität)
VALUES (?, ?, ?, ?, ?)''', (file_path, parameter["anzahl_zeilen"], parameter["anzahl_zeichen"], parameter["long_text_mode"], parameter["dimensionalität"]))
conn.commit()
print("Parameter erfolgreich extrahiert und in der Datenbank gespeichert.")
except sqlite3.Error as e:
print(f"SQLite Fehler: {e}")
except Exception as e:
print(f"Allgemeiner Fehler: {e}")
def extrahiere_parameter_aus_db(db_pfad):
try:
with sqlite3.connect(db_pfad) as conn:
cursor = conn.cursor()
cursor.execute("SELECT * FROM dateiparameter")
daten = cursor.fetchall()
return daten
except sqlite3.Error as e:
print(f"SQLite Fehler: {e}")
return None
except Exception as e:
print(f"Allgemeiner Fehler: {e}")
return None
def konvertiere_zu_hf_dataset(daten):
dataset_dict = {
"text": [],
"anzahl_zeilen": [],
"anzahl_zeichen": [],
"long_text_mode": [],
"dimensionalität": []
}
for eintrag in daten:
dataset_dict["text"].append(eintrag[1]) # 'text' entspricht 'dateipfad'
dataset_dict["anzahl_zeilen"].append(eintrag[2])
dataset_dict["anzahl_zeichen"].append(eintrag[3])
dataset_dict["long_text_mode"].append(eintrag[4])
dataset_dict["dimensionalität"].append(eintrag[5])
return Dataset.from_dict(dataset_dict)
def trainiere_und_speichere_modell(hf_dataset, output_model_dir):
try:
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased", use_fast=True)
def tokenize_function(examples):
return tokenizer(examples["text"], padding="max_length", truncation=True)
tokenized_datasets = hf_dataset.map(tokenize_function, batched=True)
# Beispielhaftes Hinzufügen von Dummy-Labels für das Training
tokenized_datasets = tokenized_datasets.map(lambda examples: {"label": [0.0] * len(examples["text"])}, batched=True) # Dummy labels as float
# Aufteilen des Datensatzes in Training und Test
train_test_split = tokenized_datasets.train_test_split(test_size=0.2)
train_dataset = train_test_split["train"]
eval_dataset = train_test_split["test"]
num_labels = len(set(train_dataset["label"]))
# PyTorch Modell
model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=num_labels)
training_args = TrainingArguments(
output_dir=output_model_dir,
evaluation_strategy="epoch", # Aktualisiert nach der Deprecation-Warnung
per_device_train_batch_size=8,
per_device_eval_batch_size=8,
num_train_epochs=3,
weight_decay=0.01,
)
trainer = Trainer(
model=model,
args=training_args,
train_dataset=train_dataset,
eval_dataset=eval_dataset,
)
trainer.train()
model.save_pretrained(output_model_dir)
tokenizer.save_pretrained(output_model_dir)
# TensorFlow Modell
tf_model = TFAutoModelForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=num_labels)
tf_model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
# Dummy-Daten für das Speichern im TensorFlow-Format
import tensorflow as tf
dummy_input = tf.constant(tokenizer("This is a dummy input", return_tensors="tf")["input_ids"])
# Speichern des TensorFlow-Modells
tf_model(dummy_input) # Modell einmal aufrufen, um es zu "bauen"
tf_model.save_pretrained(output_model_dir)
print(f"Das Modell wurde erfolgreich in {output_model_dir} gespeichert.")
except Exception as e:
print(f"Fehler beim Trainieren und Speichern des Modells: {e}")
if __name__ == "__main__":
# Verzeichnispfad als Argument übergeben, falls vorhanden
if len(sys.argv) > 1:
directory_path = sys.argv[1]
else:
directory_path = '.' # Standardverzeichnis, falls kein Argument übergeben wurde
db_name = os.path.basename(os.path.normpath(directory_path)) + '.db'
durchsuchen_und_extrahieren(directory_path, db_name)
daten = extrahiere_parameter_aus_db(db_name)
if daten:
hf_dataset = konvertiere_zu_hf_dataset(daten)
output_model = os.path.basename(os.path.normpath(directory_path)) + '_model' # Verzeichnisname Modell
output_model_dir = os.path.join(os.path.dirname(db_name), output_model)
trainiere_und_speichere_modell(hf_dataset, output_model_dir)
else:
print("Keine Daten gefunden, um ein HF-Dataset zu erstellen.")
|