Spaces:
Running
Running
File size: 12,305 Bytes
f7e1e6e 3477655 547518c 3477655 384d9d6 3d379fe 384d9d6 3d379fe 384d9d6 3477655 384d9d6 3477655 d6241cc 384d9d6 3477655 3d379fe 3477655 3d379fe 3477655 3d379fe 384d9d6 3d379fe 384d9d6 3477655 3d379fe 3477655 3d379fe 384d9d6 3477655 7a4486e 3d379fe 3477655 3d379fe 384d9d6 f7e1e6e 3477655 3d379fe 3477655 384d9d6 3477655 3d379fe 3477655 3d379fe 7a4486e 3d379fe 7a4486e 3d379fe 3477655 384d9d6 3d379fe 547518c 3d379fe 384d9d6 f7e1e6e 3d379fe 57594ac 3d379fe 57594ac 3d379fe 57594ac f7e1e6e 3477655 3d379fe 3477655 384d9d6 f7e1e6e 547518c f7e1e6e 384d9d6 3d379fe f7e1e6e 3d379fe 3477655 3d379fe f7e1e6e 3477655 3d379fe 384d9d6 3d379fe 384d9d6 f7e1e6e 384d9d6 3477655 f7e1e6e 3d379fe 3477655 f7e1e6e 3477655 3d379fe d6241cc 384d9d6 3d379fe f7e1e6e 3477655 384d9d6 3477655 f7e1e6e 3477655 3d379fe 3477655 3d379fe 3477655 384d9d6 3d379fe 3477655 384d9d6 3477655 f7e1e6e 3477655 f7e1e6e 3477655 384d9d6 7a4486e 8acb3f5 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 |
"""Streamlit app pro anonymizaci českých textů s využitím Presidio."""
import logging
import os
import traceback
import dotenv
import pandas as pd
import streamlit as st
import streamlit.components.v1 as components
from annotated_text import annotated_text
from streamlit_tags import st_tags
from openai_fake_data_generator import OpenAIParams
from presidio_helpers import (
get_supported_entities,
analyze,
anonymize,
annotate,
create_fake_data,
analyzer_engine,
)
st.set_page_config(
page_title="Presidio demo pro české texty",
layout="wide",
initial_sidebar_state="expanded",
menu_items={
"About": "https://microsoft.github.io/presidio/",
},
)
dotenv.load_dotenv()
logger = logging.getLogger("presidio-streamlit")
allow_other_models = os.getenv("ALLOW_OTHER_MODELS", False)
# Sidebar
st.sidebar.header(
"""
Anonymizace osobních údajů v českých textech s [Microsoft Presidio](https://microsoft.github.io/presidio/)
"""
)
model_help_text = """
Vyberte model pro rozpoznávání pojmenovaných entit (NER) pro detekci osobních údajů v českých textech.
Presidio podporuje různé NER balíčky, jako jsou spaCy, Huggingface, Stanza a Flair,
stejně jako služby jako Azure Text Analytics PII.
"""
st_ta_key = st_ta_endpoint = ""
model_list = [
"spacy/en_core_web_sm",
"iiiorg/piiranha-v1-detect-personal-information",
"FacebookAI/xlm-roberta-large-finetuned-conll03-english",
]
if not allow_other_models:
model_list.pop()
# Výběr modelu
st_model = st.sidebar.selectbox(
"NER model",
model_list,
index=1,
help=model_help_text,
)
# Extrakce balíčku modelu
st_model_package = st_model.split("/")[0]
# Odstranění prefixu balíčku (pokud je potřeba)
st_model = (
st_model
if st_model_package.lower() not in ("spacy", "iiiorg")
else "/".join(st_model.split("/")[1:])
)
if st_model == "Other":
st_model_package = st.sidebar.selectbox(
"NER model OSS balíček", options=["spacy", "iiiorg"]
)
st_model = st.sidebar.text_input(f"Název NER modelu", value="")
st.sidebar.warning("Poznámka: Stažení modelů může chvíli trvat.")
analyzer_params = (st_model_package, st_model, st_ta_key, st_ta_endpoint)
logger.debug(f"analyzer_params: {analyzer_params}")
st_operator = st.sidebar.selectbox(
"Přístup k anonymizaci",
["redact", "replace", "synthesize", "highlight", "mask", "hash", "encrypt"],
index=1,
help="""
Vyberte způsob úpravy textu po identifikaci osobních údajů.\n
- Redact: Kompletně odstranit osobní údaj\n
- Replace: Nahradit osobní údaj konstantou, např. <OSOBA>\n
- Synthesize: Nahradit falešnými hodnotami (vyžaduje OpenAI klíč)\n
- Highlight: Zobrazí původní text se zvýrazněnými osobními údaji\n
- Mask: Nahradí požadovaný počet znaků hvězdičkou (nebo jiným znakem)\n
- Hash: Nahradí hashem osobního údaje\n
- Encrypt: Nahradí AES šifrováním osobního údaje, umožňující reverzní proces
""",
)
st_mask_char = "*"
st_number_of_chars = 15
st_encrypt_key = "WmZq4t7w!z%C&F)J"
open_ai_params = None
logger.debug(f"st_operator: {st_operator}")
def set_up_openai_synthesis():
"""Nastavení OpenAI API klíče a modelu pro syntézu textu."""
if os.getenv("OPENAI_TYPE", default="openai") == "Azure":
openai_api_type = "azure"
st_openai_api_base = st.sidebar.text_input(
"Azure OpenAI base URL",
value=os.getenv("AZURE_OPENAI_ENDPOINT", default=""),
)
openai_key = os.getenv("AZURE_OPENAI_KEY", default="")
st_deployment_id = st.sidebar.text_input(
"Název nasazení", value=os.getenv("AZURE_OPENAI_DEPLOYMENT", default="")
)
st_openai_version = st.sidebar.text_input(
"OpenAI verze",
value=os.getenv("OPENAI_API_VERSION", default="2023-05-15"),
)
else:
openai_api_type = "openai"
st_openai_version = st_openai_api_base = None
st_deployment_id = ""
openai_key = os.getenv("OPENAI_KEY", default="")
st_openai_key = st.sidebar.text_input(
"OPENAI_KEY",
value=openai_key,
help="Více informací na https://help.openai.com/en/articles/4936850-where-do-i-find-my-secret-api-key",
type="password",
)
st_openai_model = st.sidebar.text_input(
"OpenAI model pro syntézu textu",
value=os.getenv("OPENAI_MODEL", default="gpt-3.5-turbo-instruct"),
help="Více informací zde: https://platform.openai.com/docs/models/",
)
return (
openai_api_type,
st_openai_api_base,
st_deployment_id,
st_openai_version,
st_openai_key,
st_openai_model,
)
if st_operator == "mask":
st_number_of_chars = st.sidebar.number_input(
"počet znaků", value=st_number_of_chars, min_value=0, max_value=100
)
st_mask_char = st.sidebar.text_input(
"Znak pro maskování", value=st_mask_char, max_chars=1
)
elif st_operator == "encrypt":
st_encrypt_key = st.sidebar.text_input("AES klíč", value=st_encrypt_key)
elif st_operator == "synthesize":
(
openai_api_type,
st_openai_api_base,
st_deployment_id,
st_openai_version,
st_openai_key,
st_openai_model,
) = set_up_openai_synthesis()
open_ai_params = OpenAIParams(
openai_key=st_openai_key,
model=st_openai_model,
api_base=st_openai_api_base,
deployment_id=st_deployment_id,
api_version=st_openai_version,
api_type=openai_api_type,
)
st_threshold = st.sidebar.slider(
label="Práh přijetí",
min_value=0.0,
max_value=1.0,
value=0.35,
help="Definujte práh pro přijetí detekce jako osobní údaj.",
)
st_return_decision_process = st.sidebar.checkbox(
"Přidat vysvětlení analýzy k nálezům",
value=False,
help="Přidá rozhodovací proces do výstupní tabulky. "
"Více informací najdete zde: https://microsoft.github.io/presidio/analyzer/decision_process/",
)
# Povolené a zakázané seznamy
st_deny_allow_expander = st.sidebar.expander(
"Povolené a zakázané seznamy",
expanded=False,
)
with st_deny_allow_expander:
st_allow_list = st_tags(
label="Přidat slova do povoleného seznamu", text="Zadejte slovo a stiskněte enter."
)
st.caption(
"Povolené seznamy obsahují slova, která nejsou považována za osobní údaje, ale jsou jako takové detekována."
)
st_deny_list = st_tags(
label="Přidat slova do zakázaného seznamu", text="Zadejte slovo a stiskněte enter."
)
st.caption(
"Zakázané seznamy obsahují slova, která jsou považována za osobní údaje, ale nejsou jako takové detekována."
)
# Hlavní panel
with st.expander("O této ukázce", expanded=False):
st.info(
"""Presidio je open source přizpůsobitelný framework pro detekci a anonymizaci osobních údajů.
\n\n[Kód](https://aka.ms/presidio) |
[Tutoriál](https://microsoft.github.io/presidio/tutorial/) |
[Instalace](https://microsoft.github.io/presidio/installation/) |
[FAQ](https://microsoft.github.io/presidio/faq/) |
[Zpětná vazba](https://forms.office.com/r/9ufyYjfDaY) |"""
)
st.info(
"""
Použijte tuto ukázku k:
- Experimentování s různými hotovými modely a NLP balíčky.
- Prozkoumání různých možností anonymizace, včetně redakce, maskování, šifrování a dalších.
- Generování syntetického textu s Microsoft Presidio a OpenAI.
- Konfiguraci povolených a zakázaných seznamů.
Tato ukázková webová stránka ukazuje některé z možností Presidio.
[Navštivte naši webovou stránku](https://microsoft.github.io/presidio) pro více informací,
ukázek a možností nasazení.
"""
)
st.markdown(
"[![Pypi Downloads](https://img.shields.io/pypi/dm/presidio-analyzer.svg)](https://img.shields.io/pypi/dm/presidio-analyzer.svg)" # noqa
"[![MIT license](https://img.shields.io/badge/license-MIT-brightgreen.svg)](https://opensource.org/licenses/MIT)"
"![GitHub Repo stars](https://img.shields.io/github/stars/microsoft/presidio?style=social)"
)
analyzer_load_state = st.info("Spouštění Presidio analyzátoru...")
analyzer_load_state.empty()
# Načtení výchozího textu
with open("demo_text.txt", "r", encoding="utf-8") as f:
demo_text = f.read()
# Vytvoření dvou sloupců pro před a po
col1, col2 = st.columns(2)
# Před:
col1.subheader("Vstup")
st_text = col1.text_area(
label="Zadejte text", value=demo_text, height=400, key="text_input"
)
try:
# Výběr entit
st_entities_expander = st.sidebar.expander("Vyberte entity k vyhledání")
st_entities = st_entities_expander.multiselect(
label="Které entity hledat?",
options=get_supported_entities(*analyzer_params),
default=list(get_supported_entities(*analyzer_params)),
help="Omezte seznam detekovaných osobních údajů. "
"Tento seznam je dynamický a závisí na NER modelu a registrovaných rozpoznávačích. "
"Více informací najdete zde: https://microsoft.github.io/presidio/analyzer/adding_recognizers/",
)
# Před
analyzer_load_state = st.info("Spouštění Presidio analyzátoru...")
analyzer = analyzer_engine(*analyzer_params)
analyzer_load_state.empty()
st_analyze_results = analyze(
*analyzer_params,
text=st_text,
entities=st_entities,
language="cs",
score_threshold=st_threshold,
return_decision_process=st_return_decision_process,
allow_list=st_allow_list,
deny_list=st_deny_list,
)
# Po
if st_operator not in ("highlight", "synthesize"):
with col2:
st.subheader(f"Výstup")
st_anonymize_results = anonymize(
text=st_text,
operator=st_operator,
mask_char=st_mask_char,
number_of_chars=st_number_of_chars,
encrypt_key=st_encrypt_key,
analyze_results=st_analyze_results,
)
st.text_area(
label="Anonymizováno", value=st_anonymize_results.text, height=400
)
elif st_operator == "synthesize":
with col2:
st.subheader(f"OpenAI Generovaný výstup")
fake_data = create_fake_data(
st_text,
st_analyze_results,
open_ai_params,
)
st.text_area(label="Syntetická data", value=fake_data, height=400)
else:
st.subheader("Zvýrazněno")
annotated_tokens = annotate(text=st_text, analyze_results=st_analyze_results)
annotated_text(*annotated_tokens)
# tabulka výsledků
st.subheader(
"Nálezy"
if not st_return_decision_process
else "Nálezy s rozhodovacími faktory"
)
if st_analyze_results:
df = pd.DataFrame.from_records([r.to_dict() for r in st_analyze_results])
df["text"] = [st_text[res.start : res.end] for res in st_analyze_results]
df_subset = df[["entity_type", "text", "start", "end", "score"]].rename(
{
"entity_type": "Typ entity",
"text": "Text",
"start": "Začátek",
"end": "Konec",
"score": "Důvěryhodnost",
},
axis=1,
)
df_subset = pd.concat([df_subset, analysis_explanation_df], axis=1)
st.dataframe(df_subset.reset_index(drop=True), use_container_width=True)
else:
st.text("Žádné nálezy")
except Exception as e:
print(e)
traceback.print_exc()
st.error(e)
components.html(
"""
<script type="text/javascript">
(function(c,l,a,r,i,t,y){
c[a]=c[a]||function(){(c[a].q=c[a].q||[]).push(arguments)};
t=l.createElement(r);t.async=1;t.src="https://www.clarity.ms/tag/"+i;
y=l.getElementsByTagName(r)[0];y.parentNode.insertBefore(t,y);
})(window, document, "clarity", "script", "h7f8bp42n8");
</script>
"""
) |