Update app.py

app.py

@@ -1,5 +1,6 @@
 import streamlit as st
 from transformers import pipeline
+import re
 import time
 
 # تحميل النموذج
@@ -8,61 +9,142 @@ classifier = pipeline("zero-shot-classification", model="cross-encoder/nli-disti
 # عنوان التطبيق
 st.title("Text Classification App")
 
+# اختيار العملية
+operation = st.radio("Choose an operation:", ["Filter Keywords", "Extra & Filter Param (URLs)"])
+
 # إدخال الملف النصي
-uploaded_file = st.file_uploader("Upload a text file containing keywords", type=["txt"])
+uploaded_file = st.file_uploader("Upload a text file", type=["txt"])
 
 if uploaded_file is not None:
     # قراءة الملف النصي
     content = uploaded_file.read().decode("utf-8")
-    keywords = [line.strip() for line in content.splitlines() if line.strip()]
+    items = [line.strip() for line in content.splitlines() if line.strip()]
 
     # تحديد الفئات
-    categories = ["shopping", "gaming", "streaming"]
+    categories = ["shop", "game", "stream"]
+
+    # قوائم لتخزين النتائج
+    shopping_items = []
+    gaming_items = []
+    streaming_items = []
+    unknown_items = []
+
+    # قوائم خاصة بالباراميترات
+    param_categories = {
+        "shop_params": [],
+        "game_params": [],
+        "stream_params": [],
+        "unknown_params": []
+    }
 
-    # قوائم لتخزين الكلمات حسب الفئة
-    shopping_words = []
-    gaming_words = []
-    streaming_words = []
-    unknown_words = []  # قائمة جديدة للكلمات غير المعروفة
+    # قائمة لتحليل الصيغ (Extensions)
+    extensions = {}
+
+    # قائمة لتحليل أنماط الصفحات الكاملة (Full PageType)
+    full_page_types = []
 
     # متغيرات للتحكم في العملية
     progress_bar = st.progress(0)
     pause_button = st.button("Pause")
     stop_button = st.button("Stop")
-    continue_button = st.button("Continue")  # زر جديد للاستمرار
+    continue_button = st.button("Continue")
     paused = False
     stopped = False
     current_index = 0  # مؤشر للكلمة الحالية
+    batch_size = 10  # عدد العناصر التي يتم معالجتها في الدفعة الواحدة
 
-    # دالة تصنيف الكلمات
-    def classify_keywords(keywords, categories, start_index=0):
-        global paused, stopped, current_index  # استخدام المتغيرات العالمية
-        total_keywords = len(keywords)
-        for i, word in enumerate(keywords[start_index:], start=start_index):
-            current_index = i  # تحديث المؤشر الحالي
+    # دالة تصنيف الكلمات باستخدام الدفعات
+    def classify_keywords_batch(items, categories, start_index=0):
+        global paused, stopped, current_index
+        total_items = len(items)
+        for i in range(start_index, total_items, batch_size):
             if stopped:
                 break
             if paused:
-                time.sleep(0.5)  # توقف مؤقت عند الضغط على Pause
+                time.sleep(0.5)
                 continue
 
-            # تصنيف الكلمة
-            result = classifier(word, categories)
-            best_category = result['labels'][0]
-            score = result['scores'][0]
-
-            # إضافة الكلمة إلى القائمة المناسبة
-            if best_category == "shopping" and score > 0.5:
-                shopping_words.append(word)
-            elif best_category == "gaming" and score > 0.5:
-                gaming_words.append(word)
-            elif best_category == "streaming" and score > 0.5:
-                streaming_words.append(word)
-            else:
-                unknown_words.append(word)  # إضافة الكلمة إلى قائمة Unknown إذا لم تكن ضمن الفئات
+            # معالجة دفعة من العناصر
+            batch = items[i:i + batch_size]
+            results = classifier(batch, categories)
+
+            for j, result in enumerate(results):
+                best_category = result['labels'][0]
+                score = result['scores'][0]
+
+                if best_category == "shop" and score > 0.5:
+                    shopping_items.append(batch[j])
+                elif best_category == "game" and score > 0.5:
+                    gaming_items.append(batch[j])
+                elif best_category == "stream" and score > 0.5:
+                    streaming_items.append(batch[j])
+                else:
+                    unknown_items.append(batch[j])
+
+            # تحديث المؤشر الحالي
+            current_index = min(i + batch_size, total_items)  # تأكد من عدم تجاوز المؤشر للعدد الإجمالي
 
             # تحديث شريط التقدم
-            progress = (current_index + 1) / total_keywords
+            progress = min((current_index) / total_items, 1.0)  # تأكد من أن قيمة التقدم لا تتجاوز 1.0
+            progress_bar.progress(progress)
+
+            # تحديث النتائج في الوقت الحقيقي
+            update_results()
+
+            # إبطاء العملية قليلاً للسماح بتحديث الواجهة
+            time.sleep(0.1)
+
+    # دالة تصنيف الباراميترات
+    def classify_parameters(items, categories, start_index=0):
+        global paused, stopped, current_index
+        total_items = len(items)
+        for i in range(start_index, total_items, batch_size):
+            if stopped:
+                break
+            if paused:
+                time.sleep(0.5)
+                continue
+
+            # معالجة دفعة من الروابط
+            batch = items[i:i + batch_size]
+            for url in batch:
+                # استخراج الباراميترات من الرابط باستخدام RegEx
+                params = re.findall(r'(\w+)=\w+', url)
+                for param in params:
+                    # تصنيف الباراميتر باستخدام zero-shot-classification
+                    result = classifier(param, categories)
+                    best_category = result['labels'][0]
+                    score = result['scores'][0]
+
+                    if best_category == "shop" and score > 0.5:
+                        param_categories["shop_params"].append(param)
+                    elif best_category == "game" and score > 0.5:
+                        param_categories["game_params"].append(param)
+                    elif best_category == "stream" and score > 0.5:
+                        param_categories["stream_params"].append(param)
+                    else:
+                        param_categories["unknown_params"].append(param)
+
+                # استخراج الصيغ (Extensions) من الروابط
+                match = re.search(r'\.([a-zA-Z0-9]+)$', url)
+                if match:
+                    ext = match.group(1)
+                    if ext not in extensions:
+                        extensions[ext] = 0
+                    extensions[ext] += 1
+
+                # استخراج أنماط الصفحات الكاملة (Full PageType)
+                page_type_match = re.search(r'(\w+\.php|\w+\.html)\?', url)
+                if page_type_match:
+                    page_type = page_type_match.group(1)
+                    if page_type not in full_page_types:
+                        full_page_types.append(page_type)
+
+            # تحديث المؤشر الحالي
+            current_index = min(i + batch_size, total_items)  # تأكد من عدم تجاوز المؤشر للعدد الإجمالي
+
+            # تحديث شريط التقدم
+            progress = min((current_index) / total_items, 1.0)  # تأكد من أن قيمة التقدم لا تتجاوز 1.0
             progress_bar.progress(progress)
 
             # تحديث النتائج في الوقت الحقيقي
@@ -73,18 +155,40 @@ if uploaded_file is not None:
 
     # دالة تحديث النتائج
     def update_results():
-        # تحديث محتوى المربعات النصية باستخدام session_state
-        st.session_state.shopping_text = "\n".join(shopping_words)
-        st.session_state.gaming_text = "\n".join(gaming_words)
-        st.session_state.streaming_text = "\n".join(streaming_words)
-        st.session_state.unknown_text = "\n".join(unknown_words)
+        # تحديث محتوى المربعات النصية
+        st.session_state.shopping_text = "\n".join(shopping_items)
+        st.session_state.gaming_text = "\n".join(gaming_items)
+        st.session_state.streaming_text = "\n".join(streaming_items)
+        st.session_state.unknown_text = "\n".join(unknown_items)
+
+        # تحديث محتوى المربعات الخاصة بالباراميترات
+        st.session_state.shop_params = "\n".join(set(param_categories["shop_params"]))
+        st.session_state.game_params = "\n".join(set(param_categories["game_params"]))
+        st.session_state.stream_params = "\n".join(set(param_categories["stream_params"]))
+        st.session_state.unknown_params = "\n".join(set(param_categories["unknown_params"]))
+
+        # تحديث محتوى المربع الخاص بالصيغ
+        st.session_state.extensions_text = "\n".join(extensions.keys())
+
+        # تحديث محتوى المربع الخاص بأنماط الصفحات الكاملة
+        st.session_state.full_page_types = "\n".join(full_page_types)
+
+    # دالة تصدير النتائج
+    def export_results(key, filename):
+        with open(filename, "w") as f:
+            f.write(st.session_state[key])
+        st.success(f"Results exported to {filename}")
 
     # زر البدء
     if st.button("Start"):
         stopped = False
         paused = False
-        current_index = 0  # إعادة تعيين المؤشر إلى البداية
-        classify_keywords(keywords, categories, start_index=current_index)
+        current_index = 0
+
+        if operation == "Filter Keywords":
+            classify_keywords_batch(items, categories, start_index=current_index)
+        elif operation == "Extra & Filter Param (URLs)":
+            classify_parameters(items, categories, start_index=current_index)
 
     # زر الإيقاف المؤقت
     if pause_button:
@@ -95,22 +199,82 @@ if uploaded_file is not None:
     if continue_button and paused:
         paused = False
         st.write("Classification resumed.")
-        classify_keywords(keywords, categories, start_index=current_index)
+        if operation == "Filter Keywords":
+            classify_keywords_batch(items, categories, start_index=current_index)
+        elif operation == "Extra & Filter Param (URLs)":
+            classify_parameters(items, categories, start_index=current_index)
 
     # زر التوقف الكامل
     if stop_button:
         stopped = True
         st.write("Classification stopped.")
 
-    # عرض النتائج مرة واحدة فقط (بدون إعادة إنشاء العناصر)
-    st.header("Shopping Keywords")
-    if 'shopping_text' not in st.session_state:
-        st.session_state.shopping_text = ""
-    st.text_area("Copy the shopping keywords here:", value=st.session_state.shopping_text, height=200, key="shopping")
+    # عرض النتائج بناءً على الخيار المختار
+    if operation == "Filter Keywords":
+        # عرض النتائج للكلمات المفتاحية
+        st.header("Shopping Keywords")
+        if 'shopping_text' not in st.session_state:
+            st.session_state.shopping_text = ""
+        st.text_area("Copy the shopping keywords here:", value=st.session_state.shopping_text, height=200, key="shopping")
+        st.button("Export Shopping Keywords", on_click=export_results, args=("shopping_text", "shopping_keywords.txt"))
+
+        st.header("Gaming Keywords")
+        if 'gaming_text' not in st.session_state:
+            st.session_state.gaming_text = ""
+        st.text_area("Copy the gaming keywords here:", value=st.session_state.gaming_text, height=200, key="gaming")
+        st.button("Export Gaming Keywords", on_click=export_results, args=("gaming_text", "gaming_keywords.txt"))
+
+        st.header("Streaming Keywords")
+        if 'streaming_text' not in st.session_state:
+            st.session_state.streaming_text = ""
+        st.text_area("Copy the streaming keywords here:", value=st.session_state.streaming_text, height=200, key="streaming")
+        st.button("Export Streaming Keywords", on_click=export_results, args=("streaming_text", "streaming_keywords.txt"))
+
+        st.header("Unknown Keywords")
+        if 'unknown_text' not in st.session_state:
+            st.session_state.unknown_text = ""
+        st.text_area("Copy the unknown keywords here:", value=st.session_state.unknown_text, height=200, key="unknown")
+        st.button("Export Unknown Keywords", on_click=export_results, args=("unknown_text", "unknown_keywords.txt"))
+
+    elif operation == "Extra & Filter Param (URLs)":
+        # عرض النتائج للباراميترات
+        st.header("Shop Parameters")
+        if 'shop_params' not in st.session_state:
+            st.session_state.shop_params = ""
+        st.text_area("Copy the shop parameters here:", value=st.session_state.shop_params, height=200, key="shop_params")
+        st.button("Export Shop Parameters", on_click=export_results, args=("shop_params", "shop_params.txt"))
+
+        st.header("Game Parameters")
+        if 'game_params' not in st.session_state:
+            st.session_state.game_params = ""
+        st.text_area("Copy the game parameters here:", value=st.session_state.game_params, height=200, key="game_params")
+        st.button("Export Game Parameters", on_click=export_results, args=("game_params", "game_params.txt"))
+
+        st.header("Stream Parameters")
+        if 'stream_params' not in st.session_state:
+            st.session_state.stream_params = ""
+        st.text_area("Copy the stream parameters here:", value=st.session_state.stream_params, height=200, key="stream_params")
+        st.button("Export Stream Parameters", on_click=export_results, args=("stream_params", "stream_params.txt"))
+
+        st.header("Unknown Parameters")
+        if 'unknown_params' not in st.session_state:
+            st.session_state.unknown_params = ""
+        st.text_area("Copy the unknown parameters here:", value=st.session_state.unknown_params, height=200, key="unknown_params")
+        st.button("Export Unknown Parameters", on_click=export_results, args=("unknown_params", "unknown_params.txt"))
+
+        # عرض الصيغ (Extensions)
+        st.header("File Extensions")
+        if 'extensions_text' not in st.session_state:
+            st.session_state.extensions_text = ""
+        st.text_area("Copy the file extensions here:", value=st.session_state.extensions_text, height=200, key="extensions")
+        st.button("Export File Extensions", on_click=export_results, args=("extensions_text", "file_extensions.txt"))
 
-    st.header("Gaming Keywords")
-    if 'gaming_text' not in st.session_state:
-        st.session_state.gaming_text = ""
-    st.text_area("Copy the gaming keywords here:", value=st.session_state.gaming_text, height=200, key="gaming")
+        # عرض أنماط الصفحات الكاملة (Full PageType)
+        st.header("Full PageType")
+        if 'full_page_types' not in st.session_state:
+            st.session_state.full_page_types = ""
+        st.text_area("Copy the full page types here:", value=st.session_state.full_page_types, height=200, key="full_page_types")
+        st.button("Export Full PageTypes", on_click=export_results, args=("full_page_types", "full_page_types.txt"))
 
-    st.header("Streaming Keywords"
+else:
+    st.warning("Please upload a text file to start classification.")