Add preprocess

app/api/routes.py

@@ -1,8 +1,7 @@
-# app/api/routes.py
-
 from fastapi import APIRouter, HTTPException
 from app.models.schemas import TextInput, ToxicityOutput
 from app.core.cache import cache
+from app.core.text_preprocessing import preprocess_text
 import json
 import hashlib
 import logging
@@ -23,7 +22,14 @@ async def assess_toxicity(input: TextInput):
     
     - **text**: Текст для оценки
     """
-    cache_key = get_cache_key(input.text)
+    try:
+        preprocessed_text = preprocess_text(input.text)
+        logger.info(f"Текст после предобработки: {preprocessed_text}")
+    except Exception as e:
+        logger.error(f"Ошибка при предобработке текста: {e}")
+        raise HTTPException(status_code=400, detail="Ошибка при предобработке текста.")
+    
+    cache_key = get_cache_key(preprocessed_text)
     
     # Попытка получить результат из кеша
     cached_result = await cache.get(cache_key)
@@ -37,8 +43,8 @@ async def assess_toxicity(input: TextInput):
     
     try:
         # Отправляем задачу в очередь Celery
-        result = assess_toxicity_task.delay(input.text)
+        result = assess_toxicity_task.delay(preprocessed_text)
-        logger.info(f"Задача отправлена в очередь Celery для текста: {input.text}")
+        logger.info(f"Задача отправлена в очередь Celery для текста: {preprocessed_text}")
         toxicity_score = result.get(timeout=10)  # Ждем результат до 10 секунд
         
         # Сохраняем результат в кеш
@@ -48,4 +54,4 @@ async def assess_toxicity(input: TextInput):
         return {"toxicity_score": toxicity_score}
     except Exception as e:
         logger.error(f"Ошибка при обработке текста: {e}")
-        raise HTTPException(status_code=500, detail=str(e))
+        raise HTTPException(status_code=500, detail="Ошибка при оценке токсичности текста.")

app/core/cache.py

@@ -1,5 +1,3 @@
-# app/core/cache.py
-
 import asyncio
 import json
 import hashlib

app/core/config.py

@@ -1,11 +1,10 @@
-# app/core/config.py
-
 from pydantic import Field, validator
 from pydantic_settings import BaseSettings
 from typing import Any
 from transformers import AutoTokenizer
 import os
 
+
 class Settings(BaseSettings):
     MODEL_CHECKPOINT: str = Field(
         'cointegrated/rubert-tiny-toxicity',

app/core/text_preprocessing.py

@@ -0,0 +1,81 @@
+import re
+import logging
+from typing import List
+
+logger = logging.getLogger(__name__)
+
+ENGLISH_TO_RUSSIAN_LETTERS = {
+    'a': 'а',
+    'c': 'с',
+    'e': 'е',
+    'o': 'о',
+    'p': 'р',
+    'x': 'х',
+    'y': 'у',
+    'B': 'В',
+    'M': 'М',
+    'T': 'Т',
+}
+
+LETTER_DIGIT_PATTERN = re.compile(r'([а-яё]+)(\d+)', re.IGNORECASE)
+
+RUSSIAN_LETTER_PATTERN = re.compile(r'[а-яё]', re.IGNORECASE)
+
+def is_majority_russian(word: str) -> bool:
+    """Проверяет, составляет ли большинство букв в слове русские буквы."""
+    letters = re.findall(r'[а-яёА-ЯЁ]', word)
+    if not letters:
+        return False
+    russian_count = len(letters)
+    total_letters = len(word)
+    return russian_count > (total_letters / 2)
+
+def replace_similar_english_letters(word: str) -> str:
+    """Заменяет похожие английские буквы на русские эквиваленты."""
+    return ''.join([ENGLISH_TO_RUSSIAN_LETTERS.get(char, char) for char in word])
+
+def replace_digits(word: str) -> str:
+    """Заменяет цифры '3' и '0' на буквы 'з' и 'о' соответственно."""
+    return word.replace('3', 'з').replace('0', 'о')
+
+def split_letters_digits(word: str) -> str:
+    """Разделяет буквы и цифры в слове."""
+    return LETTER_DIGIT_PATTERN.sub(r'\1 \2', word)
+
+def preprocess_text(text: str) -> str:
+    """
+    Предобрабатывает текст:
+    1. Приводит к нижнему регистру.
+    2. Заменяет похожие английские буквы на русские.
+    3. В словах с большинством русских букв заменяет '3' на 'з' и '0' на 'о'.
+    4. Разделяет буквы и цифры.
+    """
+    logger.debug("Начало предобработки текста.")
+    text = text.lower()
+    logger.debug(f"Текст после приведения к нижнему регистру: {text}")
+    
+    words = text.split()
+    processed_words: List[str] = []
+    
+    for word in words:
+        original_word = word
+        
+        
+        if is_majority_russian(word):
+            word = replace_similar_english_letters(word)
+            logger.debug(f"Слово после замены английских букв: {word}")
+            word = replace_digits(word)
+            logger.debug(f"Слово после замены цифр: {word}")
+        
+        word = split_letters_digits(word)
+        logger.debug(f"Слово после разделения букв и цифр: {word}")
+        
+        processed_words.append(word)
+        logger.debug(f"Слово '{original_word}' преобразовано в '{word}'.")
+    
+    preprocessed_text = ' '.join(processed_words)
+    logger.debug(f"Текст после предобработки: {preprocessed_text}")
+    
+    return preprocessed_text
+
+

tests/test_text_preprocessing.py

@@ -0,0 +1,96 @@
+
+from app.core.text_preprocessing import preprocess_text
+
+def test_preprocess_lowercase():
+    """Тестирование преобразования текста в нижний регистр."""
+    input_text = "ПрИвет Мир"
+    expected = "привет мир"
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_replace_english_letters():
+    """Тестирование замены похожих английских букв на русские."""
+    input_text = "Hello, how are you?"
+    expected = "hello, how are you?"  # В данном случае, поскольку 'H', 'e', 'l', 'o' заменяются на русские?
+    # Но согласно ENGLISH_TO_RUSSIAN_LETTERS, 'a' -> 'а', 'c' -> 'с', 'e' -> 'е', 'o' -> 'о', 'p' -> 'р', 'x' -> 'х', 'y' -> 'у', 'B' -> 'В', 'M' -> 'М', 'T' -> 'Т'
+    # Так как ENGLISH_TO_RUSSIAN_LETTERS не охватывает все, нужно скорректировать
+    # Лучше использовать пример с заменяемыми буквами
+    input_text = "Привет a, c, e, o, p, x, y"
+    expected = "привет а, с, е, о, р, х, у"
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_replace_digits_in_russian_word():
+    """Тестирование замены цифр '3' и '0' на 'з' и 'о' в словах с преобладанием русских букв."""
+    input_text = "Привет3 и 0дела"
+    expected = "привет з и одела"
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_split_letters_digits():
+    """Тестирование разделения букв и цифр в словах."""
+    input_text = "привет12 как дела"
+    expected = "привет 12 как дела"
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_mixed_russian_english_letters():
+    """Тестирование обработки слов с смешанными русскими и английскими буквами."""
+    input_text = "а3b0 привет12"
+    # 'a3b0' -> 'азбо' (замена 'a'->'а', '3'->'з', '0'->'о') и затем разделение букв и цифр
+    # Но после замены, 'a3b0' -> 'азбо', в котором нет цифр, поэтому разделения не произойдет
+    # Возможно, другой пример: "a3b0c" -> "азбoc" -> возможно "азбоc", но это не ясно
+    # Давайте использовать другой пример, где после замены остаются цифры
+    input_text = "a3b0c123"
+    # 'a3b0c123' -> 'азбоc123' (замена 'a'->'а', '3'->'з', '0'->'о'), затем разделение
+    # Но 'c' -> 'с', по словарю 'c' -> 'с', 'a' -> 'а'
+    # 'a3b0c123' -> 'азбос123' -> 'азбос 123'
+    expected = "азбос 123"
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_no_digits():
+    """Тестирование обработки текста без цифр."""
+    input_text = "как дела сегодня"
+    expected = "как дела сегодня"
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_digits_not_3_or_0():
+    """Тестирование замены цифр, отличных от '3' и '0'."""
+    input_text = "привет12 и 45дела"
+    expected = "привет 12 и 45дела"  # Цифры '1', '2', '4', '5' не заменяются
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_only_digits():
+    """Тестирование обработки текста, состоящего только из цифр."""
+    input_text = "12345"
+    expected = "12345"  # Нет букв, ничего не заменяется
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_empty_string():
+    """Тестирование обработки пустой строки."""
+    input_text = ""
+    expected = ""
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_special_characters():
+    """Тестирование обработки текста с особыми символами."""
+    input_text = "Привет! Как дела? a3b0c!"
+    expected = "привет! как дела? азбоc!"
+    # 'a3b0c' -> 'азбоc', затем разделение, но 'c' -> 'с', так что 'азбос!'
+    # Исправленный ожидаемый результат: "привет! как дела? азбос!"
+    expected = "привет! как дела? азбос!"
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_multiple_spaces():
+    """Тестирование обработки текста с несколькими пробелами."""
+    input_text = "привет   12  как    дела"
+    expected = "привет 12 как дела"
+    assert preprocess_text(input_text) == expected
+
+def test_preprocess_mixed_case_and_letters():
+    """Тестирование обработки текста с разными регистрами и смешанными буквами."""
+    input_text = "ПрИвет a3B0C и 0DEFG"
+    # Приведение к нижнему: "привет a3b0c и 0defg"
+    # Замена похожих букв: 'a'->'а', 'b'->'б', 'c'->'с', 'y'->'у' и т.д.
+    # 'a3b0c' -> 'азбос'
+    # '0defg' -> 'одефg' (замена '0'->'о', 'd','e','f','g' остаются
+    # Но 'd','e','f','g' не заменены, так как они не в словаре
+    # Затем разделение: 'привет азбос и odefg'
+    expected = "привет азбос и odefg"
+    assert preprocess_text(input_text) == expected