.

p1_classifier.py

@@ -4,6 +4,9 @@
 """
 from transformers import pipeline
 from normalizer import cleaning
+from fastapi import FastAPI
+from pydantic import BaseModel
+from typing import Dict, Any, List
 import transformers
 import json
 import datetime
@@ -105,7 +108,11 @@ def full_path_text_maker(full_path):
     full_path_text = full_path_text.strip()
     return full_path_text
 
-def single_section_classification(id, section_source):
+
+app = FastAPI()
+
+@app.post("/single_section_classification/")
+def single_section_classification(id: str, section_source: Dict[str, Any]):
     """
     این متد، متن ورودی را کلاسبندی می کند
     
@@ -120,11 +127,12 @@ def single_section_classification(id, section_source):
     """
     classification_result = {
         "best-class": {},
-        "other-classes": []}
+        "other-classes": []
+    }
     content = section_source['content']
     # اگر نوع سکشن، عنوان یا موخره یا امضاء باشد، نیازی به فرایند کلاسبندی نیست و لیست کلاس های مربوط به این سکشن را خالی قرار می دهیم
     if content == '' or section_source['other_info']['full_path'] == 'عنوان' or section_source['other_info']['full_path'] == 'موخره' or section_source['other_info']['full_path'] == 'امضاء':
-        return classification_result, True, 'Classification was successful'
+        return {"classification_result": classification_result, "classification_status": True, "desc": 'Classification was successful'}
     
     qanon_title = section_source['qanon_title']
     # این متغیر ریشه سکشن اخیر تا رسیدن به قانون را مشخص می کند
@@ -144,23 +152,22 @@ def single_section_classification(id, section_source):
         with open('./data/cleaning_content_log.txt', 'a', encoding='utf-8') as output_file:
             output_file.write(id + " >> " + str(error) + "\n")
             print('cleaning content error!')
-            return classification_result, False, str(error)
+        return {"classification_result": classification_result, "classification_status": False, "desc": str(error)}
     try:
         # دریافت کلاس های مربوط به یک سکشن
         section_classes = get_window_classes(f"{pre_content} {content}")
-        
     except Exception as error:
         error_content = f"{id} -- Classification Error Content:{error}\n"
         with open('./data/classification/errors.txt', 'a', encoding='utf-8') as output_file:
             output_file.write(error_content)
             print(error_content)
-        return classification_result, False, error_content
+        return {"classification_result": classification_result, "classification_status": False, "desc": error_content}
 
     classification_result = {
         "best-class": section_classes[0],
         "other-classes": section_classes[1:]
     }
-    return classification_result, True, 'Classification was successful'
+    return {"classification_result": classification_result, "classification_status": True, "desc": 'Classification was successful'}
 
 def do_classify(sections):
     print(f'start classification: {datetime.datetime.now()}')

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:
+    **Returns:**
-        embeddings: لیست بردار متناظر با متن ورودی
+        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