Update app.py

app.py

@@ -6,14 +6,14 @@ import streamlit as st
 import pandas as pd
 import spacy
 
+st.set_page_config(layout="wide")
+
 example_list = [
     "Mustafa Kemal Atatürk 1919 yılında Samsun'a çıktı.", 
     """Mustafa Kemal Atatürk, Türk asker, devlet adamı ve Türkiye Cumhuriyeti'nin kurucusudur.
 Birinci Dünya Savaşı sırasında Osmanlı ordusunda görev yapan Atatürk, Çanakkale Cephesi'nde miralaylığa, Sina ve Filistin Cephesi'nde ise Yıldırım Orduları komutanlığına atandı. Savaşın sonunda, Osmanlı Imparatorluğu'nun yenilgisini takiben Kurtuluş Savaşı ile simgelenen Türk Ulusal Hareketi'ne öncülük ve önderlik etti. Türk Kurtuluş Savaşı sürecinde Ankara Hükümeti'ni kurdu, Türk Orduları Başkomutanı olarak Sakarya Meydan Muharebesi'ndeki başarısından dolayı 19 Eylül 1921 tarihinde "Gazi" unvanını aldı ve mareşallik rütbesine yükseldi. Askeri ve siyasi eylemleriyle İtilaf Devletleri ve destekçilerine karşı zafer kazandı. Savaşın ardından Cumhuriyet Halk Partisi'ni Halk Fırkası adıyla kurdu ve ilk genel başkanı oldu. 29 Ekim 1923'te Cumhuriyetin ilanı akabinde Cumhurbaşkanı seçildi. 1938'deki ölümüne dek dört dönem bu görevi yürüterek Türkiye'de en uzun süre cumhurbaşkanlığı yapmış kişi oldu."""
 ]
 
-st.set_page_config(layout="wide")
-
 st.title("Demo for Turkish NER Models")
 
 model_list = ['akdeniz27/bert-base-turkish-cased-ner',
@@ -58,13 +58,9 @@ def get_html(html: str):
     WRAPPER = """<div style="overflow-x: auto; border: 1px solid #e6e9ef; border-radius: 0.25rem; padding: 1rem; margin-bottom: 2.5rem">{}</div>"""
     html = html.replace("\n", " ")
     return WRAPPER.format(html)
-        
-Run_Button = st.button("Run", key=None)
-if Run_Button == True:
-    
-    ner_pipeline = setModel(model_checkpoint, aggregation)
-    output = ner_pipeline(input_text)
     
+@st.cache(allow_output_mutation=True)
+def entity_comb(output):
     output_comb = []
     for ind, entity in enumerate(output):
         if ind == 0:
@@ -74,7 +70,17 @@ if Run_Button == True:
             output_comb[-1]["end"] = output[ind]["end"]
         else:
             output_comb.append(entity)
+    return output_comb
+        
+Run_Button = st.button("Run", key=None)
 
+if Run_Button and input_text) != "":
+    
+    ner_pipeline = setModel(model_checkpoint, aggregation)
+    output = ner_pipeline(input_text)
+    
+    output_comb = entity_comb(output)
+    
     df = pd.DataFrame.from_dict(output_comb)
     cols_to_keep = ['word','entity_group','score','start','end']
     df_final = df[cols_to_keep]