models.py

import gradio as gr
import openai
import fitz  # PyMuPDF
import torch
from transformers import pipeline, BloomForCausalLM, BloomTokenizerFast
from huggingface_hub import login
import requests
import os
import transformers
hf_api_key = os.getenv("HF_API_KEY")
login(token=hf_api_key)

# Set OpenAI and Hugging Face API keys
# openai.api_key = os.getenv('API_KEY_OpenAI')

def extract_text_from_pdf(pdf_file):
    document = fitz.open(pdf_file)
    text = ""
    for page_num in range(len(document)):
        page = document.load_page(page_num)
        text += page.get_text()
    return text

# # Initialize the Gemma model
# gemma_pipe = pipeline(
#     "text-generation",
#     model="google/gemma-2-2b-it",
#     model_kwargs={"torch_dtype": torch.bfloat16},
#     device="cpu"
# )

# # Initialize the Bloom model
# bloom_model = BloomForCausalLM.from_pretrained("bigscience/bloom-560m")
# bloom_tokenizer = BloomTokenizerFast.from_pretrained("bigscience/bloom-560m")



# def evaluate_with_gpt(pdf_file, job_description):
#     resume_text = extract_text_from_pdf(pdf_file)
   
#     keywords = "وضعیت خدمت سربازی، سن، محل سکونت، محدوده حقوق پرداختی، میزان سابقه کار مدیریتی، میزان سابقه کار مرتبط با گروه شغلی مشابه، میزان سابقه کار در صنعت، میزان تحصیلات، مهارت زبان، مهارت های نرم افزاری"
   
#     prompt = f"""
   
#     به عنوان یک تحلیلگر با تجربه سیستم ردیابی متقاضی (ATS)، اطلاعات کلیدی رزومه و  شرح شغل را به صورت جداگانه استخراج کن. این اطلاعات شامل مواردی است که در {keywords} آمده است.
   
#     شرح شغل: {job_description}
#     رزومه: {resume_text}
   
#     من پاسخ را در یک فایل json می‌خواهم
#     """
   
#     try:
#         response = openai.ChatCompletion.create(
#             model="gpt-4o",
#             messages=[
#                 {"role": "system", "content": "You are a helpful assistant."},
#                 {"role": "user", "content": prompt}
#             ],
#             temperature=0
#         )
#         return response.choices[0].message['content']
#     except Exception as e:
#         return f"Error during resume evaluation: {e}"

# def evaluate_with_gemma(pdf_file, job_description):
#     resume_text = extract_text_from_pdf(pdf_file)

#     keywords = "وضعیت خدمت سربازی، سن، محل سکونت، محدوده حقوق پرداختی، میزان سابقه کار مدیریتی، میزان سابقه کار مرتبط با گروه شغلی مشابه، میزان سابقه کار در صنعت، میزان تحصیلات، مهارت زبان، مهارت های نرم افزاری"
   
#     prompt = f"""
   
#     به عنوان یک تحلیلگر با تجربه سیستم ردیابی متقاضی (ATS)، اطلاعات کلیدی رزومه و  شرح شغل را به صورت جداگانه استخراج کن. این اطلاعات شامل مواردی است که در {keywords} آمده است.
   
#     شرح شغل: {job_description}
#     رزومه: {resume_text}
   
#     من پاسخ را در یک فایل json می‌خواهم
#     """
   
#     outputs = gemma_pipe(prompt, max_new_tokens=256)
#     return outputs[0]["generated_text"].strip()

# def evaluate_with_bloom(pdf_file, job_description):
#     resume_text = extract_text_from_pdf(pdf_file)

#     keywords = "وضعیت خدمت سربازی، سن، محل سکونت، محدوده حقوق پرداختی، میزان سابقه کار مدیریتی، میزان سابقه کار مرتبط با گروه شغلی مشابه، میزان سابقه کار در صنعت، میزان تحصیلات، مهارت زبان، مهارت های نرم افزاری"
   
#     prompt = f"""
#     به عنوان یک تحلیلگر با تجربه سیستم ردیابی متقاضی (ATS)، نقش شما شامل ارزیابی رزومه نسبت به شرح شغل و کلمات کلیدی مشخصی است.
#     لطفاً رزومه فرد را با در نظر گرفتن کلمات کلیدی تعیین شده مطابقت دهید و درصد تطابق را بر اساس معیارهای کلیدی و همچنین تعداد کلمات کلیدی گمشده و منطبق محاسبه کنید.
   
#     ارزیابی را بر اساس دقیقا این کلمات کلیدی {keywords} محاسبه کن.
#     شرح شغل: {job_description}
#     رزومه: {resume_text}"""
   
#     inputs = bloom_tokenizer(prompt, return_tensors="pt")
#     outputs = bloom_model.generate(inputs["input_ids"], max_length=2000)
#     return bloom_tokenizer.decode(outputs[0], skip_special_tokens=True).strip()

# def evaluate_with_jabir(pdf_file, job_description):
#     resume_text = extract_text_from_pdf(pdf_file)

#     keywords = "وضعیت خدمت سربازی، سن، محل سکونت، محدوده حقوق پرداختی، میزان سابقه کار مدیریتی، میزان سابقه کار مرتبط با گروه شغلی مشابه، میزان سابقه کار در صنعت، میزان تحصیلات، مهارت زبان، مهارت های نرم افزاری"
   
#     prompt = f"""
   
#     به عنوان یک تحلیلگر با تجربه سیستم ردیابی متقاضی (ATS)، اطلاعات کلیدی رزومه و  شرح شغل را به صورت جداگانه استخراج کن. این اطلاعات شامل مواردی است که در {keywords} آمده است.
   
#     شرح شغل: {job_description}
#     رزومه: {resume_text}
   
#     من پاسخ را در یک فایل json می‌خواهم
#     """

#     base_url = "https://api.jabirproject.org/generate"
#     headers = {"apikey": "7471142a-deb4-4a70-8ee3-6603e21bcc1d"}
#     data = {
#         "messages": [{"role": "user", "content": prompt}]
#     }

#     response = requests.post(base_url, headers=headers, json=data)

#     if response.ok:
#         return response.json()
#     else:
#         return f"Error: {response.status_code}, {response.text}"


hf_api_key = os.getenv("HF_API_KEY1")
login(token=hf_api_key)




model_id = "meta-llama/Meta-Llama-3.1-8B-Instruct"
model_config = transformers.LlamaConfig.from_pretrained(model_id)
model_config.rope_scaling = {"type": "linear", "factor": 1.0}
model = transformers.AutoModelForCausalLM.from_pretrained(model_id, config=model_config)

pipeline = transformers.pipeline(
    "text-generation",
    model=model,
    model_kwargs={"torch_dtype": torch.bfloat16},
    device_map="auto",
)

def evaluate_with_llama(resume_text, job_description):
    keywords = "وضعیت خدمت سربازی، سن، محل سکونت، محدوده حقوق پرداختی، میزان سابقه کار مدیریتی، میزان سابقه کار مرتبط با گروه شغلی مشابه، میزان سابقه کار در صنعت، میزان تحصیلات، مهارت زبان، مهارت های نرم افزاری"
   
    prompt = f"""
    به عنوان یک تحلیلگر با تجربه سیستم ردیابی متقاضی (ATS)، نقش شما شامل ارزیابی رزومه نسبت به شرح شغل و کلمات کلیدی مشخصی است.
    لطفاً رزومه فرد را با در نظر گرفتن کلمات کلیدی تعیین شده مطابقت دهید و درصد تطابق را بر اساس معیارهای کلیدی و همچنین تعداد کلمات کلیدی گمشده و منطبق محاسبه کنید.
   
    ارزیابی را بر اساس دقیقا این کلمات کلیدی {keywords} محاسبه کن.
    شرح شغل: {job_description}
    رزومه: {resume_text}
   
    من پاسخ را در یک رشته با ساختار زیر می‌خواهم:
    {{"تطابق شرح شغل با رزومه فرد ":"%", "تعداد کلمات کلیدی غیر منطبق  ":"", "تعداد کلمات کلیدی منطبق   ":""}}
    """
    
    outputs = pipeline(
        prompt,
        max_new_tokens=256,
    )
    return outputs[0]["generated_text"]