Update app.py

app.py

@@ -7,78 +7,35 @@ from sklearn.metrics.pairwise import cosine_similarity
 import numpy as np
 import zipfile
 
-# Percorso del file zip
-zip_path = './en_core_web_sm.zip'
 
-# Directory in cui estrarre il modello
-extraction_dir = './en_core_web_sm'  # o il percorso di estrazione scelto
+# Funzione per estrarre il file ZIP
+def extract_zip(file):
+    # Verifica che il file sia uno ZIP valido
+    if not zipfile.is_zipfile(file.name):
+        return "Errore: Il file caricato non è uno ZIP valido."
 
-# Estrai il file zip
-with zipfile.ZipFile(zip_path, 'r') as zip_ref:
-    zip_ref.extractall(extraction_dir)
-    
-# Carica il modello Spacy
-nlp = spacy.load(extraction_dir)
+    # Directory di estrazione
+    extraction_dir = "./extracted_files"
+    os.makedirs(extraction_dir, exist_ok=True)
 
+    # Estrazione dei file
+    with zipfile.ZipFile(file.name, 'r') as zip_ref:
+        zip_ref.extractall(extraction_dir)
 
-# Carica il modello SentenceTransformer
-model = SentenceTransformer('sentence-transformers/all-mpnet-base-v2', device='cpu')
-
-# Preprocessamento manuale (carica il manuale da un file o base di dati)
-with open('testo.txt', 'r', encoding='utf-8') as file:
-    text = file.read()
-
-# Tokenizza il testo in frasi usando SpaCy
-doc = nlp(text)
-sentences = [sent.text for sent in doc.sents]  # Estrarre frasi dal testo
-
-# Crea gli embedding per il manuale
-embeddings = model.encode(sentences, batch_size=8, show_progress_bar=True)
-
-# Funzione per ottenere le frasi più rilevanti
-# Funzione per ottenere le frasi più rilevanti
-def find_relevant_sentences(query):
-    query_embedding = model.encode([query])
-    similarities = cosine_similarity(query_embedding, embeddings).flatten()
-
-    # Filtra i risultati in base alla similitudine
-    threshold = 0.2
-    filtered_results = [(idx, sim) for idx, sim in enumerate(similarities) if sim >= threshold]
-
-    if not filtered_results:  # Se nessun risultato supera la soglia
-        return ["No relevant sentences found."]
-
-    # Ordina i risultati per similitudine
-    filtered_results.sort(key=lambda x: x[1], reverse=True)
-
-    # Limita i risultati alle top_n frasi
-    top_n = 4
-    relevant_sentences = [sentences[idx] for idx, _ in filtered_results[:top_n]]
-
-    # Rimuove duplicati e segmenta in frasi
-    unique_sentences = list(dict.fromkeys(relevant_sentences))  # Mantiene l'ordine
-    doc = nlp(" ".join(unique_sentences))
-    grouped_results = [sent.text.strip() for sent in doc.sents]
-
-    return grouped_results
-
-
-examples = [
-    ["irresponsible use of the machine?"],
-    ["If I have a problem how can I get help? "],
-    ["precautions when using the cutting machine"],
-    ["How do I change the knife of the cutting machine?"]
-]
+    # Lista dei file estratti
+    extracted_files = os.listdir(extraction_dir)
+    return f"File estratti con successo in '{extraction_dir}':\n" + "\n".join(extracted_files)
 
 # Interfaccia Gradio
-iface = gr.Interface(
-    fn=find_relevant_sentences, 
-    inputs=gr.Textbox(label="Insert your query"), 
-    outputs=gr.Textbox(label="Relevant sentences"),
-    examples=examples, 
-    title="Manual Querying System",
-    description="Enter a question about the machine, and this tool will find the most relevant sentences from the manual."
+interface = gr.Interface(
+    fn=extract_zip,
+    inputs=gr.File(label="Carica il file ZIP"),
+    outputs="text",
+    title="Estrattore di File ZIP",
+    description="Carica un file ZIP e verrà estratto in una directory chiamata 'extracted_files'."
 )
 
-# Avvia l'app Gradio
-iface.launch()
+# Avvia l'applicazione Gradio
+if __name__ == "__main__":
+    interface.launch()
+