From d0d19b2049024d24d114cd0fe15356d79383575b Mon Sep 17 00:00:00 2001
From: mdorstkar <md83game@gmail.com‎>
Date: Mon, 25 Aug 2025 19:54:35 +0330
Subject: [PATCH] Adding Fast API to P3

---
 p3_words_embedder.py | 37 ++++++++++++++++++++++++++++++-------
 1 file changed, 30 insertions(+), 7 deletions(-)

diff --git a/p3_words_embedder.py b/p3_words_embedder.py
index a5389d5..7e70a9c 100644
--- a/p3_words_embedder.py
+++ b/p3_words_embedder.py
@@ -2,6 +2,7 @@
 ایجاد بردار جملات - امبدینگ
 """
 from sentence_transformers import SentenceTransformer
+from fastapi import FastAPI
 import json
 import datetime
 import numpy as np
@@ -30,18 +31,40 @@ def do_word_embedder(sections):
     
     return sections
     
-def single_section_embedder(sentence):
-    """
-    این متد، متن ورودی را تبدیل به بردار متناظر آن می کند
     
-    **Args:
+    
+
+
+# Create a FastAPI app instance
+# یک نمونه از برنامه FastAPI ایجاد می‌کنیم
+app = FastAPI()
+
+# Your method, wrapped in an API endpoint
+# متد شما که در یک نقطه پایانی API قرار گرفته
+@app.post("/single_section_embedder/")
+def single_section_embedder(sentence: str):
+    """
+    این نقطه پایانی، متن ورودی را تبدیل به بردار متناظر آن می کند.
+    
+    **Args:**
         sentence (str): متن یک سکشن
     
-    **Returns:
-        embeddings: لیست بردار متناظر با متن ورودی
+    **Returns:**
+        list: لیست بردار متناظر با متن ورودی
     """
+    # Use the loaded model to encode the sentence
+    # برای تبدیل متن به بردار از مدلی که در بالا لود شده استفاده می‌کنیم
     embeddings = model.encode(sentence)
-    return embeddings
+    
+    # The output of model.encode is a NumPy array, which needs to be converted
+    # to a list to be returned as a JSON response.
+    # خروجی model.encode یک آرایه NumPy هست که باید به لیست تبدیل بشه
+    # تا به عنوان یک پاسخ JSON برگردانده بشه.
+    return {"embeddings": embeddings.tolist()}
+
+
+
+
 
 def cosine_similarity(vec1, vec2):
     dot_product = np.dot(vec1, vec2)  # ضرب داخلی دو بردار