Spaces:
Sleeping
Sleeping
Upload 3 files
Browse files- README.md +16 -8
- app.py +198 -0
- requirements.txt +4 -0
README.md
CHANGED
|
@@ -1,15 +1,23 @@
|
|
| 1 |
---
|
| 2 |
title: ILSA LLM Extractor Viewer
|
| 3 |
-
emoji:
|
| 4 |
-
colorFrom:
|
| 5 |
-
colorTo:
|
| 6 |
sdk: gradio
|
| 7 |
-
sdk_version:
|
| 8 |
-
python_version: '3.13'
|
| 9 |
app_file: app.py
|
| 10 |
pinned: false
|
| 11 |
-
license: cc-by-4.0
|
| 12 |
-
short_description: ilsa-viewer
|
| 13 |
---
|
| 14 |
|
| 15 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
---
|
| 2 |
title: ILSA LLM Extractor Viewer
|
| 3 |
+
emoji: 📚
|
| 4 |
+
colorFrom: blue
|
| 5 |
+
colorTo: indigo
|
| 6 |
sdk: gradio
|
| 7 |
+
sdk_version: "5.49.1"
|
|
|
|
| 8 |
app_file: app.py
|
| 9 |
pinned: false
|
|
|
|
|
|
|
| 10 |
---
|
| 11 |
|
| 12 |
+
# ILSA-LLM-Extractor-Dataset — Tıklanabilir Kaynak Görüntüleyici
|
| 13 |
+
|
| 14 |
+
`dedemerve/ILSA-LLM-Extractor-Dataset` veri setinin tüm subset/split'lerini
|
| 15 |
+
gösteren küçük bir Gradio uygulaması. Standart Hugging Face Dataset
|
| 16 |
+
Viewer'ın aksine, her satır için bir **Kaynak** sütunu oluşturur:
|
| 17 |
+
|
| 18 |
+
- DOI mevcutsa → doğrudan `https://doi.org/<doi>` linkine gider.
|
| 19 |
+
- DOI yoksa → başlık (+ varsa venue) ile bir Google Scholar arama
|
| 20 |
+
linkine gider.
|
| 21 |
+
|
| 22 |
+
Subset/split listesi, dataset'in kendi metadata'sından otomatik çekilir;
|
| 23 |
+
bu yüzden ileride yeni subset eklesen bile kod değişikliği gerekmez.
|
app.py
ADDED
|
@@ -0,0 +1,198 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
"""
|
| 2 |
+
ILSA-LLM-Extractor-Dataset — Tıklanabilir Kaynak Görüntüleyici
|
| 3 |
+
================================================================
|
| 4 |
+
Hugging Face'in standart Dataset Viewer'ı hücrelerdeki DOI/URL metinlerini
|
| 5 |
+
tıklanabilir link'e çevirmiyor. Bu küçük Gradio uygulaması, seçilen
|
| 6 |
+
subset/split'i yükler ve her satır için:
|
| 7 |
+
- DOI varsa -> https://doi.org/<doi> linkine,
|
| 8 |
+
- DOI yoksa -> başlık (+ varsa venue) ile Google Scholar arama linkine
|
| 9 |
+
çıkan tıklanabilir bir "Kaynak" sütunu oluşturur.
|
| 10 |
+
|
| 11 |
+
Bu dosyayı bir Hugging Face Space'e (SDK: Gradio) app.py olarak koyup
|
| 12 |
+
requirements.txt ile birlikte yüklemen yeterli.
|
| 13 |
+
"""
|
| 14 |
+
|
| 15 |
+
import urllib.parse
|
| 16 |
+
|
| 17 |
+
import gradio as gr
|
| 18 |
+
import pandas as pd
|
| 19 |
+
from datasets import get_dataset_config_names, get_dataset_split_names, load_dataset
|
| 20 |
+
|
| 21 |
+
REPO_ID = "dedemerve/ILSA-LLM-Extractor-Dataset"
|
| 22 |
+
MAX_CELL_CHARS = 300 # çok uzun metin alanlarını tabloda kısaltmak için
|
| 23 |
+
|
| 24 |
+
# Basit bellek içi cache: (subset, split) -> ham DataFrame
|
| 25 |
+
_CACHE = {}
|
| 26 |
+
|
| 27 |
+
|
| 28 |
+
# ---------------------------------------------------------------------
|
| 29 |
+
# Yardımcı fonksiyonlar
|
| 30 |
+
# ---------------------------------------------------------------------
|
| 31 |
+
|
| 32 |
+
def _normalize(name: str) -> str:
|
| 33 |
+
return name.strip().lower()
|
| 34 |
+
|
| 35 |
+
|
| 36 |
+
def _find_col(df: pd.DataFrame, candidates):
|
| 37 |
+
"""Büyük/küçük harf farkına bakmadan olası kolon adlarından ilk eşleşeni döndürür."""
|
| 38 |
+
norm_map = {_normalize(c): c for c in df.columns}
|
| 39 |
+
for cand in candidates:
|
| 40 |
+
if cand in norm_map:
|
| 41 |
+
return norm_map[cand]
|
| 42 |
+
return None
|
| 43 |
+
|
| 44 |
+
|
| 45 |
+
def _is_blank(val) -> bool:
|
| 46 |
+
if val is None:
|
| 47 |
+
return True
|
| 48 |
+
try:
|
| 49 |
+
if pd.isna(val):
|
| 50 |
+
return True
|
| 51 |
+
except (TypeError, ValueError):
|
| 52 |
+
pass
|
| 53 |
+
s = str(val).strip().lower()
|
| 54 |
+
return s in ("", "none", "null", "nan", "n/a", "<na>")
|
| 55 |
+
|
| 56 |
+
|
| 57 |
+
def _make_kaynak(row, doi_col, title_col, venue_col) -> str:
|
| 58 |
+
"""DOI varsa doi.org linki, yoksa Google Scholar arama linki üretir."""
|
| 59 |
+
doi_val = row.get(doi_col) if doi_col else None
|
| 60 |
+
if not _is_blank(doi_val):
|
| 61 |
+
doi_clean = str(doi_val).strip()
|
| 62 |
+
url = doi_clean if doi_clean.lower().startswith("http") else f"https://doi.org/{doi_clean}"
|
| 63 |
+
return f"[🔗 DOI ile aç]({url})"
|
| 64 |
+
|
| 65 |
+
title_val = row.get(title_col) if title_col else None
|
| 66 |
+
venue_val = row.get(venue_col) if venue_col else None
|
| 67 |
+
parts = [str(v).strip() for v in (title_val, venue_val) if not _is_blank(v)]
|
| 68 |
+
query = " ".join(parts).strip()
|
| 69 |
+
if not query:
|
| 70 |
+
return ""
|
| 71 |
+
q = urllib.parse.quote_plus(query)
|
| 72 |
+
return f"[🔎 Google Scholar'da ara](https://scholar.google.com/scholar?q={q})"
|
| 73 |
+
|
| 74 |
+
|
| 75 |
+
def _truncate(val) -> str:
|
| 76 |
+
if _is_blank(val):
|
| 77 |
+
return ""
|
| 78 |
+
s = str(val)
|
| 79 |
+
return s if len(s) <= MAX_CELL_CHARS else s[:MAX_CELL_CHARS] + "…"
|
| 80 |
+
|
| 81 |
+
|
| 82 |
+
def get_subsets():
|
| 83 |
+
try:
|
| 84 |
+
return sorted(get_dataset_config_names(REPO_ID))
|
| 85 |
+
except Exception as e: # noqa: BLE001
|
| 86 |
+
return [f"HATA: subset listesi alınamadı ({e})"]
|
| 87 |
+
|
| 88 |
+
|
| 89 |
+
def get_splits(subset: str):
|
| 90 |
+
try:
|
| 91 |
+
return get_dataset_split_names(REPO_ID, subset)
|
| 92 |
+
except Exception:
|
| 93 |
+
return ["train"]
|
| 94 |
+
|
| 95 |
+
|
| 96 |
+
def _load_raw(subset: str, split: str) -> pd.DataFrame:
|
| 97 |
+
key = (subset, split)
|
| 98 |
+
if key not in _CACHE:
|
| 99 |
+
ds = load_dataset(REPO_ID, name=subset, split=split)
|
| 100 |
+
_CACHE[key] = ds.to_pandas()
|
| 101 |
+
return _CACHE[key]
|
| 102 |
+
|
| 103 |
+
|
| 104 |
+
def build_table(subset: str, split: str, search_text: str, max_rows: int):
|
| 105 |
+
if not subset or not split:
|
| 106 |
+
return pd.DataFrame(), gr.update(datatype="str"), "Lütfen bir subset ve split seç."
|
| 107 |
+
|
| 108 |
+
try:
|
| 109 |
+
df = _load_raw(subset, split).copy()
|
| 110 |
+
except Exception as e: # noqa: BLE001
|
| 111 |
+
return pd.DataFrame(), gr.update(datatype="str"), f"⚠️ Veri yüklenemedi: {e}"
|
| 112 |
+
|
| 113 |
+
total_rows = len(df)
|
| 114 |
+
|
| 115 |
+
title_col = _find_col(df, ["title", "başlık", "baslik"])
|
| 116 |
+
doi_col = _find_col(df, ["doi"])
|
| 117 |
+
venue_col = _find_col(df, ["venue", "journal", "source"])
|
| 118 |
+
|
| 119 |
+
# Başlığa göre arama filtresi (varsa)
|
| 120 |
+
if search_text and title_col:
|
| 121 |
+
df = df[df[title_col].astype(str).str.contains(search_text, case=False, na=False)]
|
| 122 |
+
|
| 123 |
+
filtered_rows = len(df)
|
| 124 |
+
df = df.head(max_rows)
|
| 125 |
+
|
| 126 |
+
has_link_info = bool(doi_col or title_col)
|
| 127 |
+
|
| 128 |
+
if has_link_info:
|
| 129 |
+
df.insert(
|
| 130 |
+
0,
|
| 131 |
+
"Kaynak",
|
| 132 |
+
df.apply(lambda r: _make_kaynak(r, doi_col, title_col, venue_col), axis=1),
|
| 133 |
+
)
|
| 134 |
+
|
| 135 |
+
# Geri kalan tüm sütunları görüntüleme için metne çevir + kısalt
|
| 136 |
+
for col in df.columns:
|
| 137 |
+
if col == "Kaynak":
|
| 138 |
+
continue
|
| 139 |
+
df[col] = df[col].apply(_truncate)
|
| 140 |
+
|
| 141 |
+
datatype = ["markdown" if col == "Kaynak" else "str" for col in df.columns]
|
| 142 |
+
|
| 143 |
+
if has_link_info:
|
| 144 |
+
info = (
|
| 145 |
+
f"**{subset}/{split}** — toplam {total_rows} satır, "
|
| 146 |
+
f"filtre sonrası {filtered_rows} satır, ekranda {len(df)} satır gösteriliyor. "
|
| 147 |
+
f"DOI'si olan satırlar doğrudan kaynağa, olmayanlar Google Scholar aramasına gider."
|
| 148 |
+
)
|
| 149 |
+
else:
|
| 150 |
+
info = (
|
| 151 |
+
f"**{subset}/{split}** — toplam {total_rows} satır, ekranda {len(df)} satır gösteriliyor. "
|
| 152 |
+
f"Bu subset'te 'title'/'doi' alanı bulunmadığından tıklanabilir kaynak sütunu eklenmedi; "
|
| 153 |
+
f"tablo olduğu gibi gösteriliyor."
|
| 154 |
+
)
|
| 155 |
+
|
| 156 |
+
return df, gr.update(value=df, datatype=datatype), info
|
| 157 |
+
|
| 158 |
+
|
| 159 |
+
def on_subset_change(subset: str):
|
| 160 |
+
splits = get_splits(subset)
|
| 161 |
+
default_split = splits[0] if splits else None
|
| 162 |
+
return gr.update(choices=splits, value=default_split)
|
| 163 |
+
|
| 164 |
+
|
| 165 |
+
# ---------------------------------------------------------------------
|
| 166 |
+
# Arayüz
|
| 167 |
+
# ---------------------------------------------------------------------
|
| 168 |
+
|
| 169 |
+
with gr.Blocks(title="ILSA-LLM-Extractor — Tıklanabilir Kaynaklar") as demo:
|
| 170 |
+
gr.Markdown(
|
| 171 |
+
f"""
|
| 172 |
+
# 📚 ILSA-LLM-Extractor-Dataset — Tıklanabilir Kaynak Görüntüleyici
|
| 173 |
+
Hugging Face standart viewer'da DOI hücreleri tıklanabilir değil. Burada her satır için
|
| 174 |
+
DOI varsa **doi.org** linki, yoksa başlığa göre **Google Scholar arama** linki üretiliyor.
|
| 175 |
+
|
| 176 |
+
Veri seti: [`{REPO_ID}`](https://huggingface.co/datasets/{REPO_ID})
|
| 177 |
+
"""
|
| 178 |
+
)
|
| 179 |
+
|
| 180 |
+
with gr.Row():
|
| 181 |
+
subset_dd = gr.Dropdown(choices=get_subsets(), label="Subset", value=None)
|
| 182 |
+
split_dd = gr.Dropdown(choices=[], label="Split", value=None)
|
| 183 |
+
|
| 184 |
+
with gr.Row():
|
| 185 |
+
search_box = gr.Textbox(label="Başlıkta ara (opsiyonel)", placeholder="örn: PISA, civic, ICCS...")
|
| 186 |
+
max_rows_box = gr.Slider(minimum=20, maximum=2000, value=200, step=20, label="Ekranda gösterilecek maks. satır")
|
| 187 |
+
load_btn = gr.Button("Yükle / Filtrele", variant="primary")
|
| 188 |
+
|
| 189 |
+
status_md = gr.Markdown("Başlamak için bir subset seç.")
|
| 190 |
+
table = gr.Dataframe(label="Sonuçlar", wrap=True, datatype="str", max_height=650)
|
| 191 |
+
|
| 192 |
+
subset_dd.change(on_subset_change, inputs=subset_dd, outputs=split_dd)
|
| 193 |
+
split_dd.change(build_table, inputs=[subset_dd, split_dd, search_box, max_rows_box], outputs=[table, table, status_md])
|
| 194 |
+
load_btn.click(build_table, inputs=[subset_dd, split_dd, search_box, max_rows_box], outputs=[table, table, status_md])
|
| 195 |
+
search_box.submit(build_table, inputs=[subset_dd, split_dd, search_box, max_rows_box], outputs=[table, table, status_md])
|
| 196 |
+
|
| 197 |
+
if __name__ == "__main__":
|
| 198 |
+
demo.launch()
|
requirements.txt
ADDED
|
@@ -0,0 +1,4 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
gradio>=5.0
|
| 2 |
+
datasets>=2.19
|
| 3 |
+
pandas>=2.0
|
| 4 |
+
huggingface_hub>=0.23
|