app.py

import gradio as gr
from sentence_transformers import SentenceTransformer, util
import json
import os
import time
import threading
import queue
import torch

# Загружаем модели
model_name_kalm = "HIT-TMG/KaLM-embedding-multilingual-mini-instruct-v1.5"
model_kalm = SentenceTransformer(model_name_kalm)

model_name_bge = "BAAI/bge-m3"
model_bge = SentenceTransformer(model_name_bge)

# Имена файлов для сохранения эмбеддингов
embeddings_file_kalm = f"movie_embeddings_{model_name_kalm.replace('/', '_')}.json"
query_embeddings_file_kalm = f"query_embeddings_{model_name_kalm.replace('/', '_')}.json"

embeddings_file_bge = f"movie_embeddings_{model_name_bge.replace('/', '_')}.json"
query_embeddings_file_bge = f"query_embeddings_{model_name_bge.replace('/', '_')}.json"

# Загружаем данные из файла movies.json
try:
    with open("movies.json", "r", encoding="utf-8") as f:
        movies_data = json.load(f)
except FileNotFoundError:
    print("Ошибка: Файл movies.json не найден.")
    movies_data = []

# Загружаем эмбеддинги фильмов для KaLM
if os.path.exists(embeddings_file_kalm):
    with open(embeddings_file_kalm, "r", encoding="utf-8") as f:
        movie_embeddings_kalm = json.load(f)
    print("Загружены эмбеддинги фильмов для KaLM из файла.")
else:
    movie_embeddings_kalm = {}

# Загружаем эмбеддинги запросов для KaLM
if os.path.exists(query_embeddings_file_kalm):
    with open(query_embeddings_file_kalm, "r", encoding="utf-8") as f:
        query_embeddings_kalm = json.load(f)
    print("Загружены эмбеддинги запросов для KaLM из файла.")
else:
    query_embeddings_kalm = {}

# Загружаем эмбеддинги фильмов для BGE-M3
if os.path.exists(embeddings_file_bge):
    with open(embeddings_file_bge, "r", encoding="utf-8") as f:
        movie_embeddings_bge = json.load(f)
    print("Загружены эмбеддинги фильмов для BGE-M3 из файла.")
else:
    movie_embeddings_bge = {}

# Загружаем эмбеддинги запросов для BGE-M3
if os.path.exists(query_embeddings_file_bge):
    with open(query_embeddings_file_bge, "r", encoding="utf-8") as f:
        query_embeddings_bge = json.load(f)
    print("Загружены эмбеддинги запросов для BGE-M3 из файла.")
else:
    query_embeddings_bge = {}

# Очереди для необработанных фильмов
movies_queue_kalm = queue.Queue()
movies_queue_bge = queue.Queue()

for movie in movies_data:
    if movie["name"] not in movie_embeddings_kalm:
        movies_queue_kalm.put(movie)
    if movie["name"] not in movie_embeddings_bge:
        movies_queue_bge.put(movie)

# Флаги, указывающие, что обработка фильмов завершена
processing_complete_kalm = False
processing_complete_bge = False

# Флаги, указывающие, что выполняется поиск
search_in_progress_kalm = False
search_in_progress_bge = False

# Блокировки для доступа к эмбеддингам
movie_embeddings_lock_kalm = threading.Lock()
movie_embeddings_lock_bge = threading.Lock()

# Размер пакета для обработки эмбеддингов
batch_size = 32

# Инструкция для запроса KaLM
query_prompt_kalm = "Инструкция: Найди релевантные фильмы по запросу. \n Запрос: "

def encode_string(text, model, prompt=None):
    """Кодирует строку в эмбеддинг с использованием инструкции, если она задана."""
    if prompt:
        return model.encode(text, prompt=prompt, convert_to_tensor=True, normalize_embeddings=True, batch_size=batch_size)
    else:
        return model.encode(text, convert_to_tensor=True, normalize_embeddings=True, batch_size=batch_size)

def process_movies(model, embeddings_file, movie_embeddings, movies_queue, lock, model_name):
    """
    Обрабатывает фильмы из очереди, создавая для них эмбеддинги.
    """
    global processing_complete_kalm, processing_complete_bge # Добавлено

    while True:
        batch = []
        while not movies_queue.empty() and len(batch) < batch_size:
            try:
                movie = movies_queue.get(timeout=1)
                batch.append(movie)
            except queue.Empty:
                break

        if not batch:
            print(f"Очередь фильмов для {model_name} пуста.")
            if model_name == model_name_kalm:
                processing_complete_kalm = True
            elif model_name == model_name_bge:
                processing_complete_bge = True
            break

        titles = [movie["name"] for movie in batch]
        embedding_strings = [
            f"Название: {movie['name']}\nГод: {movie['year']}\nЖанры: {movie['genresList']}\nОписание: {movie['description']}"
            for movie in batch
        ]

        print(f"Создаются эмбеддинги для фильмов ({model_name}): {', '.join(titles)}...")
        embeddings = model.encode(embedding_strings, convert_to_tensor=True, batch_size=batch_size, normalize_embeddings=True).tolist()

        with lock:
            for title, embedding in zip(titles, embeddings):
                movie_embeddings[title] = embedding
            # Сохраняем эмбеддинги в файл после обработки каждого пакета
            with open(embeddings_file, "w", encoding="utf-8") as f:
                json.dump(movie_embeddings, f, ensure_ascii=False, indent=4)
            print(f"Эмбеддинги для фильмов ({model_name}): {', '.join(titles)} созданы и сохранены.")

    print(f"Обработка фильмов для {model_name} завершена.")

def get_query_embedding(query, model, query_embeddings, query_embeddings_file, prompt=None):
    """
    Возвращает эмбеддинг для запроса с инструкцией.
    Если эмбеддинг уже создан, возвращает его из словаря.
    Иначе создает эмбеддинг, сохраняет его и возвращает.
    """
    if query in query_embeddings:
        print(f"Эмбеддинг для запроса '{query}' уже существует.")
        return query_embeddings[query]
    else:
        print(f"Создается эмбеддинг для запроса '{query}'...")
        embedding = encode_string(query, model, prompt=prompt).tolist()
        query_embeddings[query] = embedding
        # Сохраняем эмбеддинги запросов в файл
        with open(query_embeddings_file, "w", encoding="utf-8") as f:
            json.dump(query_embeddings, f, ensure_ascii=False, indent=4)
        print(f"Эмбеддинг для запроса '{query}' создан и сохранен.")
        return embedding

def search_movies(query, model, movie_embeddings, movies_data, query_embeddings, query_embeddings_file, top_k=10, query_prompt=None):
    """
    Ищет наиболее похожие фильмы по запросу с использованием инструкции.

    Args:
        query: Текстовый запрос.
        model: Модель для эмбеддингов.
        movie_embeddings: Словарь с эмбеддингами фильмов.
        movies_data: Данные о фильмах.
        top_k: Количество возвращаемых результатов.
        query_prompt: Инструкция для запроса (для KaLM).

    Returns:
        Строку с результатами поиска в формате HTML.
    """
    global search_in_progress_kalm, search_in_progress_bge # Добавлено
    
    if model == model_kalm:
        search_in_progress_kalm = True
    elif model == model_bge:
        search_in_progress_bge = True
    
    start_time = time.time()
    print(f"\n\033[1mПоиск по запросу: '{query}'\033[0m")

    print(f"Начало создания эмбеддинга для запроса: {time.strftime('%Y-%m-%d %H:%M:%S')}")
    query_embedding_tensor = torch.tensor(get_query_embedding(query, model, query_embeddings, query_embeddings_file, prompt=query_prompt))
    print(f"Окончание создания эмбеддинга для запроса: {time.strftime('%Y-%m-%d %H:%M:%S')}")

    if model == model_kalm:
        with movie_embeddings_lock_kalm:
            current_movie_embeddings = movie_embeddings.copy()
    elif model == model_bge:
        with movie_embeddings_lock_bge:
            current_movie_embeddings = movie_embeddings.copy()

    if not current_movie_embeddings:
        if model == model_kalm:
            search_in_progress_kalm = False
        elif model == model_bge:
            search_in_progress_bge = False
        return "<p>Пока что нет обработанных фильмов. Попробуйте позже.</p>"

    # Преобразуем эмбеддинги фильмов в тензор
    movie_titles = list(current_movie_embeddings.keys())
    movie_embeddings_tensor = torch.tensor(list(current_movie_embeddings.values()))

    print(f"Начало поиска похожих фильмов: {time.strftime('%Y-%m-%d %H:%M:%S')}")
    # Используем util.semantic_search для поиска похожих фильмов
    hits = util.semantic_search(query_embedding_tensor, movie_embeddings_tensor, top_k=top_k)[0]
    print(f"Окончание поиска похожих фильмов: {time.strftime('%Y-%m-%d %H:%M:%S')}")

    results_html = ""
    for hit in hits:
        title = movie_titles[hit['corpus_id']]
        score = hit['score']
        # Ищем полное описание фильма в исходных данных
        for movie in movies_data:
            if movie["name"] == title:
                description = movie["description"]
                year = movie["year"]
                genres = movie["genresList"]
                break

        results_html += f"<h3><b>{title} ({year})</b></h3>"
        results_html += f"<p><b>Жанры:</b> {genres}</p>"
        results_html += f"<p><b>Описание:</b> {description}</p>"
        results_html += f"<p><b>Сходство:</b> {score:.4f}</p>"
        results_html += "<hr>"

    end_time = time.time()
    execution_time = end_time - start_time
    print(f"Поиск завершен за {execution_time:.4f} секунд.")

    if model == model_kalm:
        search_in_progress_kalm = False
    elif model == model_bge:
        search_in_progress_bge = False

    return results_html

# Потоки для обработки фильмов
processing_thread_kalm = threading.Thread(target=process_movies, args=(model_kalm, embeddings_file_kalm, movie_embeddings_kalm, movies_queue_kalm, movie_embeddings_lock_kalm, model_name_kalm))
processing_thread_bge = threading.Thread(target=process_movies, args=(model_bge, embeddings_file_bge, movie_embeddings_bge, movies_queue_bge, movie_embeddings_lock_bge, model_name_bge))

# Запускаем потоки для обработки фильмов
processing_thread_kalm.start()
processing_thread_bge.start()

def search_with_kalm(query):
    return search_movies(query, model_kalm, movie_embeddings_kalm, movies_data, query_embeddings_kalm, query_embeddings_file_kalm, top_k=10, query_prompt=query_prompt_kalm)

def search_with_bge(query):
    return search_movies(query, model_bge, movie_embeddings_bge, movies_data, query_embeddings_bge, query_embeddings_file_bge, top_k=10)

with gr.Blocks() as demo:
    with gr.Tab("KaLM"):
        text_input_kalm = gr.Textbox(label="Введите запрос для KaLM")
        text_output_kalm = gr.HTML()
        text_button_kalm = gr.Button("Поиск с KaLM")
    with gr.Tab("BGE-M3"):
        text_input_bge = gr.Textbox(label="Введите запрос для BGE-M3")
        text_output_bge = gr.HTML()
        text_button_bge = gr.Button("Поиск с BGE-M3")

    text_button_kalm.click(search_with_kalm, inputs=text_input_kalm, outputs=text_output_kalm)
    text_button_bge.click(search_with_bge, inputs=text_input_bge, outputs=text_output_bge)

demo.queue()
demo.launch()