Update app.py

app.py

@@ -47,6 +47,8 @@ for movie in movies_data:
 
 # Флаг, указывающий, что обработка фильмов завершена
 processing_complete = False
+# Флаг, указывающий, что выполняется поиск
+search_in_progress = False
 
 # Блокировка для доступа к movie_embeddings
 movie_embeddings_lock = threading.Lock()
@@ -61,14 +63,22 @@ def process_movies():
     """
     global processing_complete
     while True:
+        if search_in_progress:
+            time.sleep(1)  # Ждем, пока поиск не завершится
+            continue
+
         try:
-            movie = movies_queue.get(timeout=1)  # Тайм-аут 1 секунда
+            movie = movies_queue.get(timeout=1)
         except queue.Empty:
             print("Очередь фильмов пуста.")
             processing_complete = True
             break
 
         title = movie["name"]
+        if title in movie_embeddings:
+            print(f"Эмбеддинг для фильма '{title}' уже существует. Пропускаем.")
+            continue
+
         print(f"Создается эмбеддинг для фильма '{title}'...")
         embedding_string = f"Название: {movie['name']}\nГод: {movie['year']}\nЖанры: {movie['genresList']}\nОписание: {movie['description']}"
         embedding = encode_string(embedding_string).tolist()
@@ -111,35 +121,37 @@ def search_movies(query, top_k=3):
     Returns:
         Строку с результатами поиска в формате HTML.
     """
+    global search_in_progress
+    search_in_progress = 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 = encode_string(query)
+    print(f"Окончание создания эмбеддинга для запроса: {time.strftime('%Y-%m-%d %H:%M:%S')}")
 
     with movie_embeddings_lock:
-        # Делаем копию словаря, чтобы избежать ошибок при изменении оригинала во время итерации
         current_movie_embeddings = movie_embeddings.copy()
 
     if not current_movie_embeddings:
+        search_in_progress = False
         return "<p>Пока что нет обработанных фильмов. Попробуйте позже.</p>"
 
-    # Создаем словарь с описаниями фильмов
     movie_descriptions = {}
     for movie in movies_data:
         movie_descriptions[movie["name"]] = f"Название: {movie['name']}\nГод: {movie['year']}\nЖанры: {movie['genresList']}\nОписание: {movie['description']}"
 
-    # Вычисляем косинусное сходство и сохраняем в список кортежей (название фильма, сходство)
+    print(f"Начало вычисления косинусного сходства: {time.strftime('%Y-%m-%d %H:%M:%S')}")
     similarity_scores = []
     for title, embedding in current_movie_embeddings.items():
         similarity = util.pytorch_cos_sim(query_embedding_tensor, encode_string(movie_descriptions[title]))[0][0].item()
         similarity_scores.append((title, similarity))
+    print(f"Окончание вычисления косинусного сходства: {time.strftime('%Y-%m-%d %H:%M:%S')}")
 
-    # Сортируем фильмы по убыванию сходства
     sorted_movies = sorted(similarity_scores, key=lambda item: item[1], reverse=True)
 
     results_html = ""
     for title, score in sorted_movies[:top_k]:
-        # Ищем полное описание фильма в исходных данных
         for movie in movies_data:
             if movie["name"] == title:
                 description = movie["description"]
@@ -156,7 +168,7 @@ def search_movies(query, top_k=3):
     end_time = time.time()
     execution_time = end_time - start_time
     print(f"Поиск завершен за {execution_time:.4f} секунд.")
-
+    search_in_progress = False
     return results_html
 
 # Поток для обработки фильмов