Update app.py

app.py

@@ -1,7 +1,204 @@
-import streamlit as st
-from database import KodeksProcessor
-from chatbot import Chatbot
 import os
+import re
+import logging
+import streamlit as st
+import chromadb
+from chromadb.utils import embedding_functions
+from huggingface_hub import InferenceClient
+from dotenv import load_dotenv
+from typing import List, Dict, Tuple
+
+# Konfiguracja logowania
+logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
+
+# Ładowanie zmiennych środowiskowych
+load_dotenv()
+
+# Konfiguracja API
+HF_TOKEN = os.getenv('HF_TOKEN')
+MODEL_NAME = "Qwen/Qwen2.5-72B-Instruct"
+
+# Konfiguracja bazy danych
+DATABASE_DIR = "chroma_db"
+
+# Konfiguracja modelu embeddings
+EMBEDDING_MODEL = "sentence-transformers/paraphrase-multilingual-mpnet-base-v2"
+
+# System prompt
+SYSTEM_PROMPT = """Jesteś asystentem prawniczym specjalizującym się w polskim prawie. 
+Twoje odpowiedzi opierają się na aktualnych przepisach prawnych.
+Zawsze cytuj konkretne artykuły i paragrafy z odpowiednich ustaw."""
+
+class KodeksProcessor:
+    def __init__(self):
+        logging.info("Inicjalizacja klienta bazy danych...")
+        self.client = chromadb.PersistentClient(path=DATABASE_DIR)
+        try:
+            self.collection = self.client.get_collection("kodeksy")
+            logging.info("Pobrano istniejącą kolekcję 'kodeksy'.")
+        except:
+            self.collection = self.client.create_collection(
+                name="kodeksy",
+                embedding_function=embedding_functions.SentenceTransformerEmbeddingFunction(
+                    model_name=EMBEDDING_MODEL
+                )
+            )
+            logging.info("Utworzono nową kolekcję 'kodeksy'.")
+
+    def extract_metadata(self, text: str) -> Dict:
+        metadata = {}
+        dz_u_match = re.search(r'Dz\.U\.(\d{4})\.(\d+)\.(\d+)', text)
+        if dz_u_match:
+            metadata['dz_u'] = f"Dz.U.{dz_u_match.group(1)}.{dz_u_match.group(2)}.{dz_u_match.group(3)}"
+            metadata['rok'] = dz_u_match.group(1)
+
+        nazwa_match = re.search(r'USTAWA\s+z dnia(.*?)\n(.*?)\n', text)
+        if nazwa_match:
+            metadata['data_ustawy'] = nazwa_match.group(1).strip()
+            metadata['nazwa'] = nazwa_match.group(2).strip()
+
+        logging.info("Wydobyto metadane: %s", metadata)
+        return metadata
+
+    def split_header_and_content(self, text: str) -> Tuple[str, str]:
+        parts = text.split("USTAWA", 1)
+        if len(parts) > 1:
+            return parts[0], "USTAWA" + parts[1]
+        return "", text
+
+    def process_article(self, article_text: str) -> Dict:
+        art_num_match = re.match(r'Art\.\s*(\d+)', article_text)
+        article_num = art_num_match.group(1) if art_num_match else ""
+
+        paragraphs = re.findall(r'§\s*(\d+)\.\s*(.*?)(?=§\s*\d+|Art\.\s*\d+|$)', article_text, re.DOTALL)
+
+        if not paragraphs:
+            return {
+                "article_num": article_num,
+                "content": article_text.strip(),
+                "has_paragraphs": False
+            }
+
+        return {
+            "article_num": article_num,
+            "paragraphs": paragraphs,
+            "has_paragraphs": True
+        }
+
+    def split_into_chunks(self, text: str, metadata: Dict) -> List[Dict]:
+        chunks = []
+        articles = re.split(r'(Art\.\s*\d+)', text)  # Podział na artykuły
+
+        for i in range(1, len(articles), 2):  # Przechodzimy przez artykuły
+            article_title = articles[i].strip()
+            article_content = articles[i + 1].strip() if i + 1 < len(articles) else ""
+
+            processed_article = self.process_article(article_title + " " + article_content)
+
+            chunk_metadata = {
+                **metadata,
+                "article": processed_article["article_num"]
+            }
+
+            if processed_article["has_paragraphs"]:
+                for par_num, par_content in processed_article["paragraphs"]:
+                    chunks.append({
+                        "text": f"{article_title} §{par_num}. {par_content.strip()}",
+                        "metadata": {**chunk_metadata, "paragraph": par_num}
+                    })
+            else:
+                chunks.append({
+                    "text": processed_article["content"],
+                    "metadata": chunk_metadata
+                })
+
+        logging.info("Podzielono tekst na %d chunków.", len(chunks))
+        return chunks
+
+    def process_file(self, filepath: str) -> None:
+        logging.info("Przetwarzanie pliku: %s", filepath)
+
+        with open(filepath, 'r', encoding='utf-8') as file:
+            content = file.read()
+
+        header, main_content = self.split_header_and_content(content)
+        metadata = self.extract_metadata(main_content)
+        metadata['filename'] = os.path.basename(filepath)
+
+        chunks = self.split_into_chunks(main_content, metadata)
+
+        if chunks:  # Sprawdzenie, czy są jakieś chunk'i do dodania
+            for i, chunk in enumerate(chunks):
+                self.collection.add(
+                    documents=[chunk["text"]],
+                    metadatas=[chunk["metadata"]],
+                    ids=[f"{metadata['filename']}_{chunk['metadata']['article']}_{i}"]
+                )
+                logging.info("Dodano chunk: %s", chunk["text"])  # Logowanie dodawanych chunków
+        else:
+            logging.warning("Brak chunków do dodania z pliku: %s", filepath)  # Logowanie braku chunków
+
+        logging.info("Dodano %d chunków z pliku %s", len(chunks), metadata['filename'])
+
+    def process_all_files(self, directory: str) -> None:
+        logging.info("Rozpoczęcie przetwarzania wszystkich plików w katalogu: %s", directory)
+        for filename in os.listdir(directory):
+            if filename.endswith('.txt'):
+                filepath = os.path.join(directory, filename)
+                logging.info("Przetwarzanie pliku: %s", filepath)  # Logowanie przetwarzania pliku
+                self.process_file(filepath)
+        logging.info("Zakończono przetwarzanie plików.")
+
+    def search(self, query: str, n_results: int = 3) -> Dict:
+        logging.info("Wyszukiwanie w bazie danych dla zapytania: %s", query)
+        results = self.collection.query(
+            query_texts=[query],
+            n_results=n_results
+        )
+        logging.info("Znaleziono %d wyników dla zapytania: %s", len(results['documents'][0]), query)
+        return results
+
+class Chatbot:
+    def __init__(self):
+        self.client = InferenceClient(api_key=HF_TOKEN)
+        self.conversation_history = [
+            {"role": "system", "content": SYSTEM_PROMPT}
+        ]
+
+    def generate_context(self, relevant_chunks: List[Dict]) -> str:
+        context = "Kontekst z przepisów prawnych:\n\n"
+        for chunk in relevant_chunks:
+            context += f"{chunk['text']}\n\n"
+        return context
+
+    def get_response(self, user_input: str, context: str) -> str:
+        messages = self.conversation_history + [
+            {"role": "user", "content": f"Kontekst: {context}\n\nPytanie: {user_input}"}
+        ]
+
+        response = ""
+        stream = self.client.chat.completions.create(
+            model=MODEL_NAME,
+            messages=messages,
+            temperature=0.5,
+            max_tokens=8192,
+            top_p=0.7,
+            stream=True
+        )
+
+        for chunk in stream:
+            content = chunk.choices[0].delta.content
+            if content:
+                response += content
+                yield content
+
+        self.conversation_history.append({"role": "user", "content": user_input})
+        self.conversation_history.append({"role": "assistant", "content": response})
+
+    def clear_history(self):
+        self.conversation_history = [
+            {"role": "system", "content": SYSTEM_PROMPT}
+        ]
 
 def initialize_session_state():
     if 'chatbot' not in st.session_state: