Update app.py

app.py

@@ -1,37 +1,29 @@
 import gradio as gr
 import pdfplumber
-from transformers import pipeline
+import re
 
-# Inicjalizacja modelu NER
-extractor = pipeline("ner", model="dslim/bert-base-NER", aggregation_strategy="simple")
-
-def extract_info(pdf_file):
+def extract_seller(pdf_file):
     with pdfplumber.open(pdf_file) as pdf:
         text = "\n".join(page.extract_text() for page in pdf.pages if page.extract_text())
 
-    # Przetwarzanie tekstu modelem NLP
-    entities = extractor(text)
-
-    # Formatowanie wyników
-    extracted_data = {}
-    for entity in entities:
-        label = entity["entity_group"]
-        word = entity["word"]
-
-        if label not in extracted_data:
-            extracted_data[label] = []
+    # Szukamy linii zawierającej "Sprzedawca"
+    pattern = r"(Sprzedawca[:\s]+)(.+)"
+    match = re.search(pattern, text, re.IGNORECASE)
 
-        extracted_data[label].append(word)
+    if match:
+        seller_name = match.group(2).strip()  # Pobiera nazwę firmy po "Sprzedawca:"
+    else:
+        seller_name = "Nie znaleziono"
 
-    return extracted_data
+    return {"Sprzedawca": seller_name}
 
-# Interfejs użytkownika w Hugging Face Space
+# Interfejs użytkownika w Hugging Face Spaces
 iface = gr.Interface(
-    fn=extract_info,
+    fn=extract_seller,
     inputs=gr.File(label="Wybierz plik PDF"),
     outputs="json",
-    title="Ekstrakcja informacji z faktur PDF",
-    description="Prześlij plik PDF z fakturą, a model rozpozna kluczowe informacje."
+    title="Ekstrakcja Sprzedawcy z Faktury",
+    description="Prześlij plik PDF, aby wydobyć nazwę sprzedawcy."
 )
 
 if __name__ == "__main__":