import gradio as gr
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import HuggingFaceEmbeddings
import zipfile
import os

# Percorsi per il primo file ZIP
zip_path_m = "faiss_manual_index.zip"  # File ZIP per l'indice manuale
faiss_manual_index = "faiss_manual_index"  # Sottocartella per estrazione manuale

# Controlla se la directory esiste già
if not os.path.exists(faiss_manual_index):
    os.makedirs(faiss_manual_index)  # Crea la directory

# Percorsi per il secondo file ZIP
zip_path_p = "faiss_problems_index.zip"  # File ZIP per l'indice problemi
faiss_problems_index = "faiss_problems_index"  # Sottocartella per estrazione problemi

# Controlla se la directory esiste già
if not os.path.exists(faiss_problems_index):
    os.makedirs(faiss_problems_index)  # Crea la directory

# Controlla i file presenti nella cartella faiss_manual_index prima dell'estrazione
print(f"Contenuto della directory {faiss_manual_index} prima dell'estrazione:", os.listdir(faiss_manual_index))

# Estrai il primo file ZIP se non esiste già
if os.path.exists(zip_path_m):  # Controlla che il file zip esista
    with zipfile.ZipFile(zip_path_m, 'r') as zip_ref:
        zip_ref.extractall(faiss_manual_index)
    print(f"Files estratti nella directory: {faiss_manual_index}")
else:
    print(f"File {zip_path_m} non trovato. Assicurati di caricarlo nello Space.")

# Verifica di nuovo il contenuto della cartella faiss_manual_index dopo l'estrazione
print(f"Contenuto della directory {faiss_manual_index} dopo l'estrazione:", os.listdir(faiss_manual_index))

# Estrai il secondo file ZIP se non esiste già
if os.path.exists(zip_path_p):  # Controlla che il file zip esista
    with zipfile.ZipFile(zip_path_p, 'r') as zip_ref:
        zip_ref.extractall(faiss_problems_index)
    print(f"Files estratti nella directory: {faiss_problems_index}")
else:
    print(f"File {zip_path_p} non trovato. Assicurati di caricarlo nello Space.")

# Verifica di nuovo il contenuto della cartella faiss_problems_index dopo l'estrazione
print(f"Contenuto della directory {faiss_problems_index} dopo l'estrazione:", os.listdir(faiss_problems_index))

   


# Carica il modello di embedding
embedding_model = HuggingFaceEmbeddings(model_name="sentence-transformers/LaBSE")

# Carica i vectorstore FAISS salvati
manual_vectorstore = FAISS.load_local(faiss_manual_index, embedding_model, allow_dangerous_deserialization=True)
problems_vectorstore = FAISS.load_local(faiss_problems_index, embedding_model, allow_dangerous_deserialization=True)

def search_query(query):
    # Cerca nei manuali
    manual_results = manual_vectorstore.similarity_search(query, k=2)
    manual_output = "\n\n".join([doc.page_content for doc in manual_results])

    # Cerca nei problemi
    problems_results = problems_vectorstore.similarity_search(query, k=2)
    problems_output = "\n\n".join([doc.page_content for doc in problems_results])

    # Restituisce i risultati come output diviso
    return manual_output, problems_output
    
examples = [
    ["How to change the knife?"],
    ["What are the safety precautions for using the machine?"],
    ["How can I get help with the machine?"]
]

# Interfaccia Gradio
iface = gr.Interface(
    fn=search_query,
   inputs=gr.Textbox(lines=2, placeholder="Enter your question here..."),
    outputs=[
    gr.Textbox(label="Manual Results"),
    gr.Textbox(label="Issues Results")
],
    examples=examples, 
     title="Manual Querying System",
    description="Enter a question to get relevant information extracted from the manual and the most common related issues."
)

# Avvia l'app
iface.launch()