Update app.py

app.py

@@ -113,34 +113,29 @@ def main():
 
     new_messages_placeholder = st.empty()
 
-    pdf = st.file_uploader("Upload your PDF", type="pdf")
-
     query = st.text_input("Ask questions about your PDF file (in any preferred language):")
 
-    if not pdf:
-        st.warning("Please upload a PDF file to proceed.")
-    else:
-        if st.button("Was genau ist ein Belegarzt?"):
-            query = "Was genau ist ein Belegarzt?"
-        if st.button("Wofür wird die Alpha-ID verwendet?"):
-            query = "Wofür wird die Alpha-ID verwendet?"
-        if st.button("Was sind die Vorteile des ambulanten operierens?"):
-            query = "Was sind die Vorteile des ambulanten operierens?"
-
-        if query:
-            st.session_state['last_input'] = query
-            st.session_state['chat_history'].append(("User", query, "new"))
-
-            loading_message = st.empty()
-            loading_message.text('Bot is thinking...')
-            
-            VectorStore = load_pdf(pdf)
-            max_tokens = 120
-            chain = load_chatbot(max_tokens=max_tokens)
-            docs = VectorStore.similarity_search(query=query, k=2)
-            
-            with get_openai_callback() as cb:
-                response = chain.run(input_documents=docs, question=query)
+    if st.button("Was genau ist ein Belegarzt?"):
+        query = "Was genau ist ein Belegarzt?"
+    if st.button("Wofür wird die Alpha-ID verwendet?"):
+        query = "Wofür wird die Alpha-ID verwendet?"
+    if st.button("Was sind die Vorteile des ambulanten operierens?"):
+        query = "Was sind die Vorteile des ambulanten operierens?"
+
+    if query:
+        st.session_state['last_input'] = query
+        st.session_state['chat_history'].append(("User", query, "new"))
+
+        loading_message = st.empty()
+        loading_message.text('Bot is thinking...')
+        
+        VectorStore = load_pdf(pdf_file_path)
+        max_tokens = 120
+        chain = load_chatbot(max_tokens=max_tokens)
+        docs = VectorStore.similarity_search(query=query, k=2)
+        
+        with get_openai_callback() as cb:
+            response = chain.run(input_documents=docs, question=query)
 
             # Post-processing to remove incomplete sentences and redundant information
             filtered_response = remove_incomplete_sentences(response)