بله این عبارت در صفحه هست . با ایمیلم اول وارد سایت شده ام بعد از سرج به صفحه
. وارد شده ام dona2
ایا بجز اینججا جای دیگری هم باید ایمیل وارد کنم؟

import streamlit as st
from PyPDF2 import PdfReader
from langchain.text_splitter import CharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationalRetrievalChain
from langchain_community.llms import HuggingFaceHub

قالب‌های HTML برای پیام‌های چت

user_template = '

تنظیم API key

HUGGINGFACE_API_KEY = "YOUR_HUGGINGFACE_API_KEY" # کلید HuggingFace خود را اینجا قرار دهید

def get_pdf_text(pdf_docs):
text = ""
try:
for pdf in pdf_docs:
pdf_reader = PdfReader(pdf)
for page in pdf_reader.pages:
text += page.extract_text()
return text
except Exception as e:
st.error(f"خطا در پردازش PDF: {str(e)}")
return ""

def get_text_chunks(text):
if not text.strip():
return []

text_splitter = CharacterTextSplitter(
    separator="\n",
    chunk_size=1000,
    chunk_overlap=200,
    length_function=len
)
return text_splitter.split_text(text)

def get_vectorstore(text_chunks):
if not text_chunks:
return None

try:
    # استفاده از مدل Embedding مناسب برای زبان فارسی
    embeddings = HuggingFaceEmbeddings(
        model_name="SajjadAyoubi/persian-distilbert-base-mean-tokens",
        model_kwargs={"token": HUGGINGFACE_API_KEY}
    )
    return FAISS.from_texts(texts=text_chunks, embedding=embeddings)
except Exception as e:
    st.error(f"خطا در ایجاد vectorstore: {str(e)}")
    return None

def get_conversation_chain(vectorstore):
if vectorstore is None:
return None

try:
    # استفاده از مدل Dorna2
    llm = HuggingFaceHub(
        repo_id="PartAI/Dorna2-Llama3.1-8B-Instruct",
        huggingfacehub_api_token=HUGGINGFACE_API_KEY,
        model_kwargs={
            "temperature": 0.7,
            "max_new_tokens": 512,
            "top_p": 0.95,
            "repetition_penalty": 1.15
        }
    )
    
    memory = ConversationBufferMemory(
        memory_key='chat_history',
        return_messages=True
    )
    
    return ConversationalRetrievalChain.from_llm(
        llm=llm,
        retriever=vectorstore.as_retriever(search_kwargs={"k": 3}),
        memory=memory,
        verbose=True
    )
except Exception as e:
    st.error(f"خطا در ایجاد زنجیره مکالمه: {str(e)}")
    return None

def handle_userinput(user_question):
if st.session_state.conversation is None:
st.warning("لطفاً ابتدا اسناد PDF را آپلود و پردازش کنید.")
return

try:
    response = st.session_state.conversation({'question': user_question})
    
    if 'chat_history' not in st.session_state:
        st.session_state.chat_history = []
    
    if 'chat_history' in response:
        st.session_state.chat_history = response['chat_history']
        
        for message in st.session_state.chat_history:
            if hasattr(message, 'content'):
                if message.type == 'human':
                    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)
    else:
        st.write(user_template.replace("{{MSG}}", user_question), unsafe_allow_html=True)
        if 'answer' in response:
            st.write(bot_template.replace("{{MSG}}", response['answer']), unsafe_allow_html=True)
            
except Exception as e:
    st.error(f"خطا در پردازش سؤال: {str(e)}")
    st.error("لطفاً صفحه را رفرش کرده و دوباره تلاش کنید.")

def main():
st.set_page_config(
page_title="چت با چندین PDF - Dorna2",
page_icon=":books:",
layout="wide"
)

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 = []

st.header("چت با چندین فایل PDF با استفاده از Dorna2 :books:")

with st.sidebar:
    st.subheader("اسناد شما")
    pdf_docs = st.file_uploader(
        "فایل‌های PDF خود را اینجا آپلود کنید و روی 'پردازش' کلیک کنید",
        accept_multiple_files=True,
        type=['pdf']
    )
    
    if st.button("پردازش"):
        if not pdf_docs:
            st.warning("لطفاً ابتدا فایل‌های PDF را آپلود کنید.")
            return
            
        with st.spinner("در حال پردازش..."):
            raw_text = get_pdf_text(pdf_docs)
            if raw_text:
                text_chunks = get_text_chunks(raw_text)
                vectorstore = get_vectorstore(text_chunks)
                st.session_state.conversation = get_conversation_chain(vectorstore)
                st.session_state.chat_history = []
                st.success("پردازش تکمیل شد! اکنون می‌توانید سؤالات خود را بپرسید.")

user_question = st.text_input("سؤال خود را درباره اسناد بپرسید:")
if user_question:
    handle_userinput(user_question)

if name == 'main':
main()
بعد از اجرا این ارور می اید
Model requires a Pro subscription; check out hf.co/pricing to learn more. Make sure to include your HF token in your query.