Update app.py

app.py

@@ -1,85 +1,126 @@
 from fastapi import FastAPI
 from pydantic import BaseModel
 import chromadb
+from chromadb.config import Settings
 from sentence_transformers import SentenceTransformer
 import os
 import google.generativeai as genai
+import pandas as pd
+import numpy as np
 
 # === 1. Configurer le cache dans /tmp/ (accessible en écriture) ===
-os.environ['HF_HOME'] = '/tmp/huggingface'  # Dossier pour les modèles Hugging Face
-os.environ['TRANSFORMERS_CACHE'] = '/tmp/huggingface'  # Dossier pour Transformers
-os.makedirs('/tmp/huggingface', exist_ok=True)  # Crée le dossier si inexistant
+os.environ['HF_HOME'] = '/tmp/huggingface'
+os.environ['TRANSFORMERS_CACHE'] = '/tmp/huggingface'
+os.makedirs('/tmp/huggingface', exist_ok=True)
 
 # === 2. Charger le modèle avec gestion des erreurs ===
 try:
-    # Essayer avec le nom court
-    model = SentenceTransformer(
-        'all-MiniLM-L6-v2',
-        cache_folder='/tmp/huggingface'
-    )
+    model = SentenceTransformer('all-MiniLM-L6-v2', cache_folder='/tmp/huggingface')
 except Exception as e:
     print(f"Erreur de chargement (nom court): {e}")
-    # Fallback: utiliser le nom complet du modèle
-    model = SentenceTransformer(
-        'sentence-transformers/all-MiniLM-L6-v2',
-        cache_folder='/tmp/huggingface'
-    )
+    model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2', cache_folder='/tmp/huggingface')
 
 # === 3. Configurer ChromaDB dans /tmp/ ===
 client = chromadb.PersistentClient(path="/tmp/chroma_db")
 
-# === 4. Configurer Gemini (existant) ===
+# === 4. Configurer Gemini ===
 GEMINI_API_KEY = os.environ.get("GEMINI_API_KEY", "")
 genai.configure(api_key=GEMINI_API_KEY)
 model_gemini = genai.GenerativeModel("gemini-2.0-flash-lite")
 
 app = FastAPI()
 
-# ... (le reste de votre code reste inchangé) ...
-
+# === Classe Query pour FastAPI ===
 class Query(BaseModel):
     query: str
 
+# === Fonction d'initialisation de la collection ===
+def init_collection():
+    # Essaie de récupérer la collection, sinon la crée et l'initialise
+    try:
+        collection = client.get_collection("Festivals")
+        print("Collection 'Festivals' chargée")
+    except Exception:
+        print("Collection 'Festivals' non trouvée, création et remplissage...")
+        collection = client.create_collection(name="Festivals", metadata={"hnsw:space": "ip"})
+        
+        # Ici tu dois récupérer tes données (ex: depuis Airtable)
+        # Exemple fictif avec dataframe statique, remplace par ta vraie fonction fetch_data()
+        df = pd.DataFrame([
+            {
+                "Festival Name": "Hellfest",
+                "City": "Clisson",
+                "Country": "France",
+                "Dates": "15-18 Juin",
+                "Genre": "Metal/Rock",
+                "Ticket Price (EUR)": 200,
+                "Accommodation option": "Camping",
+                "Atmosphere": "Festive"
+            },
+            {
+                "Festival Name": "Sziget",
+                "City": "Budapest",
+                "Country": "Hongrie",
+                "Dates": "10-15 Août",
+                "Genre": "Divers",
+                "Ticket Price (EUR)": 150,
+                "Accommodation option": "Tentes",
+                "Atmosphere": "Jeune et dynamique"
+            }
+        ])
+
+        embeddings, metadatas, ids = [], [], []
+        for idx, row in df.iterrows():
+            row_text = "\n".join([f"{col}: {val}" for col, val in row.items() if pd.notna(val)])
+            embedding = model.encode(row_text)
+            embedding /= np.linalg.norm(embedding)
+            embeddings.append(embedding.tolist())
+            metadatas.append({k: str(v) for k, v in row.items() if pd.notna(v)})
+            ids.append(f"fest_{idx}")
+
+        collection.add(embeddings=embeddings, metadatas=metadatas, ids=ids)
+        print(f"Collection 'Festivals' initialisée avec {len(ids)} entrées")
+
+    return collection
+
+
+# === Initialisation au démarrage ===
+collection = init_collection()
+
+
 @app.get("/")
 async def root():
     return {"message": "🎵 GrooveNomad Festivals API est en ligne !"}
 
 @app.post("/api/ask")
 async def ask_festival(data: Query):
-    try:
-        collection = client.get_collection("Festivals")
-    except Exception:
-        return {"error": "Collection 'Festivals' non trouvée."}
-    
     query_embedding = model.encode(data.query).tolist()
     results = collection.query(
         query_embeddings=[query_embedding],
         n_results=3,
         include=["metadatas", "distances"]
     )
-    
+
     def get_val(meta, key):
         val = meta.get(key)
         if not val or str(val).lower() in ["", "nan", "none"]:
             return "Non spécifié"
         return val
-    
+
     context = "\n".join([
         f"{get_val(m, 'Festival Name')} à {get_val(m, 'City')} ({get_val(m, 'Country')}) le {get_val(m, 'Dates')} 🎶 {get_val(m, 'Genre')} – {get_val(m, 'Ticket Price (EUR)')}€"
         for m in results["metadatas"][0]
     ])
-    
+
     prompt = f"""Tu es un expert des festivals. Voici la requête :
 \"{data.query}\"
-
 Voici les options :
 {context}
-
 Génère une réponse naturelle, enthousiaste, concise, avec des emojis."""
-    
+
     try:
         response = model_gemini.generate_content(prompt)
         return {"response": response.text}
     except Exception as e:
         print(f"Erreur lors de la génération : {e}")
-        return {"error": str(e)}
+        return {"error": str(e)}