Create server.py

server.py

@@ -0,0 +1,133 @@
+# این فایل server.py در Hugging Face Space شما قرار می گیرد
+# این کد شامل:
+# - بارگذاری مدل Sentence Transformer پارسی 'PartAI/Tooka-SBERT'
+# - تعریف اپلیکیشن Flask
+# - اندپوینت /get_embedding برای دریافت سوال و ارسال بردار آن
+# - لاگ گیری برای عیب یابی در لاگ های Space و یک فایل جداگانه
+# - مدیریت خطاهای اولیه در بارگذاری مدل و پردازش درخواست ها
+# - رفع خطای 'SentenceTransformer' object has no attribute 'args' با اصلاح لاگ بارگذاری مدل
+
+from sentence_transformers import SentenceTransformer
+from flask import Flask, request, jsonify
+import numpy as np
+import logging
+import os
+# import torch # اگر از GPU استفاده می کنید و torch نصب کرده اید، این خط را فعال نگه دارید.
+
+# تنظیمات اولیه لاگینگ برای نمایش در لاگ های استاندارد Space
+# این لاگ ها معمولاً در تب "Container logs" دیده می شوند.
+logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
+
+# مسیر فایل لاگ جداگانه در فضای Hugging Face (برای عیب یابی بیشتر)
+# نکته: نوشتن در فایل در برخی محیط های Space ممکن است نیاز به تنظیمات مجوز داشته باشد.
+# خطای [Errno 13] Permission denied در لاگ قبلی به همین دلیل بود.
+log_file_path = "app_log.txt"
+
+# تابع برای افزودن پیام به فایل لاگ
+def log_message(message):
+    try:
+        # حالت 'a' برای اضافه کردن به انتهای فایل است.
+        # مطمئن شوید که دایرکتوری برای فایل قابل نوشتن است.
+        # اگر خطا مجوز می گیرید، می توانید این تابع را موقتا غیرفعال کنید یا مسیر دیگری را امتحان کنید.
+        with open(log_file_path, "a", encoding="utf-8") as f:
+            f.write(message + "\n")
+    except Exception as e:
+        # اگر نوشتن در فایل لاگ هم با خطا مواجه شد، در لاگ استاندارد Space بنویسید.
+        logging.error(f"Error writing to log file {log_file_path}: {e}")
+
+# ****** نام مدل Sentence Transformer که می خواهیم در این سرور استفاده کنیم ******
+# این مدل باید همان مدلی باشد که برای بردارسازی خاطرات در فایل های JSON استفاده کرده اید.
+model_name_to_load = 'PartAI/Tooka-SBERT'
+# ***************************************************************************
+
+
+# ****** بارگذاری مدل Sentence Transformer در هنگام راه اندازی سرور ******
+logging.info(f"Attempting to load Sentence Transformer model: {model_name_to_load}...") # لاگ قبل از بارگذاری (در لاگ های استاندارد Space)
+log_message(f"Attempting to load Sentence Transformer model: {model_name_to_load}...") # لاگ قبل از بارگذاری (در فایل لاگ)
+
+try:
+    # بارگذاری مدل. اگر GPU دارید و torch نصب شده، می توانید device='cuda' را اضافه کنید.
+    # اگر خطایی در بارگذاری رخ دهد، Exception گرفته می شود.
+    # model = SentenceTransformer(model_name_to_load, device='cuda' if torch.cuda.is_available() else 'cpu')
+    model = SentenceTransformer(model_name_to_load) # بارگذاری با استفاده از CPU یا تنظیمات پیش فرض
+
+    # ****** افزودن لاگ تأیید پس از بارگذاری موفق مدل ******
+    # این پیام ها در لاگ های Space به شما نشان می دهند که مدل با موفقیت بارگذاری شده و نام آن چیست.
+    # ما نام مدلی که قصد بارگذاریش را داشتیم لاگ می کنیم تا از خطای Attribute Error جلوگیری شود.
+    logging.info(f"SUCCESS: Model '{model_name_to_load}' loaded successfully.") # لاگ موفقیت (در لاگ های استاندارد Space)
+    log_message(f"SUCCESS: Model '{model_name_to_load}' loaded successfully.") # لاگ موفقیت (در فایل لاگ)
+    # ******************************************************
+
+except Exception as e:
+    # ****** مدیریت خطا در صورت عدم بارگذاری مدل ******
+    error_msg = f"ERROR: Failed to load model {model_name_to_load}: {e}"
+    logging.error(error_msg) # لاگ خطا (در لاگ های استاندارد Space)
+    log_message(error_msg) # لاگ خطا (در فایل لاگ)
+    # در صورتی که بارگذاری مدل با خطا مواجه شد، متغیر model را None قرار می دهیم
+    # تا در تابع get_embedding بتوانیم وضعیت خطا را چک کنیم.
+    model = None
+    # *************************************************
+
+
+# تعریف اپلیکیشن Flask
+app = Flask(__name__)
+
+# تعریف اندپوینت اصلی برای تست سلامت سرور
+@app.route('/')
+def index():
+    # چک کردن وضعیت مدل قبل از پاسخ به درخواست اصلی
+    if model is None:
+        # اگر مدل بارگذاری نشده، پیام خطا نمایش داده می شود.
+        return "Sentiment Embedding Server is running, but model failed to load. Check Space logs for details.", 500
+    # اگر مدل با موفقیت بارگذاری شده، پیام موفقیت نمایش داده می شود.
+    # از نام مدلی که در متغیر ذخیره کردیم استفاده می کنیم.
+    return f"Sentiment Embedding Server is running successfully with model: {model_name_to_load}"
+
+
+# تعریف اندپوینت برای دریافت بردار (embedding) سوال
+@app.route('/get_embedding', methods=['POST'])
+def get_embedding():
+    # قبل از پردازش درخواست، مطمئن شوید مدل بارگذاری شده است.
+    if model is None:
+        error_msg = "Model is not loaded on the server due to a previous error. Check Space logs."
+        # این خطا احتمالا قبلا در لاگ ها ثبت شده، اما برای اطمینان مجدد ثبت می کنیم.
+        # logging.error(error_msg) # لاگ تکراری در صورتیکه بالا هم خطا داده
+        log_message(f"Received request but model is not loaded: {error_msg}") # ثبت در فایل لاگ
+        return jsonify({"error": error_msg}), 500 # ارسال پاسخ خطا با کد 500
+
+    try:
+        # دریافت داده ها از درخواست POST (باید شامل فیلد 'query' باشد)
+        data = request.get_json()
+        query = data.get('query')
+
+        # چک کردن اینکه فیلد query خالی نباشد
+        if not query or not isinstance(query, str) or not query.strip():
+            log_message(f"Received invalid or empty query in /get_embedding: {data}")
+            return jsonify({"error": "Invalid or empty query text provided"}), 400 # ارسال پاسخ خطا با کد 400
+
+        log_message(f"Received query in /get_embedding: '{query}'")
+        logging.info(f"Processing query in /get_embedding: '{query[:50]}...'") # لاگ در کنسول Space برای درخواست های دریافتی
+
+        embedding = model.encode(query, convert_to_numpy=True, pooling_mode='mean', normalize=True)
+
+        # تبدیل بردار numpy به لیست Python برای ارسال در پاسخ JSON
+        embedding_list = embedding.tolist()
+
+        log_message(f"Successfully generated embedding for query in /get_embedding.") # لاگ موفقیت در فایل
+        # logging.info(f"Embedding generated successfully for query.") # لاگ موفقیت در کنسول Space (اختیاری)
+
+        # ارسال بردار به عنوان پاسخ JSON
+        return jsonify({"embedding": embedding_list}), 200 # ارسال پاسخ موفقیت با کد 200
+
+    except Exception as e:
+        error_message = f"An error occurred during embedding generation in /get_embedding: {e}"
+        logging.error(error_message) # لاگ خطا (در لاگ های استاندارد Space)
+        log_message(error_message) # لاگ خطا (در فایل لاگ)
+        return jsonify({"error": error_message}), 500 # ارسال پاسخ خطا با کد 500
+
+# خط زیر فقط در صورتی که فایل server.py مستقیماً اجرا شود، سرور Flask را اجرا می کند.
+# در Hugging Face Space، خود زیرساخت Space مسئول اجرای برنامه شماست و این بخش معمولاً غیرفعال است.
+# if __name__ == '__main__':
+#     # Hugging Face Spaces از پورت 7860 استفاده می کند.
+#     # debug=True برای محیط توسعه مفید است اما در محیط پروداکشن توصیه نمی شود.
+#     app.run(host='0.0.0.0', port=7860, debug=False)