import gradio as gr
import torch
from transformers import (
    AutoTokenizer, 
    AutoModelForCausalLM, 
    AutoModelForSequenceClassification,
    pipeline
)
from datasets import load_dataset
import numpy as np
import re
import os

# تعيين توكن Hugging Face من متغير بيئي
HF_TOKEN = os.getenv('HF_TOKEN')
if not HF_TOKEN:
    raise ValueError("يرجى تعيين متغير البيئة HF_TOKEN")

# تهيئة النماذج
print("جاري تهيئة النماذج...")
base_model_name = "aubmindlab/aragpt2-base"
sentiment_model_name = "CAMeL-Lab/bert-base-arabic-camelbert-msa"

# تهيئة المعالجات
tokenizer = AutoTokenizer.from_pretrained(base_model_name, use_auth_token=HF_TOKEN)
model = AutoModelForCausalLM.from_pretrained(base_model_name, use_auth_token=HF_TOKEN)

# إعداد معالجات النصوص
text_generator = pipeline(
    'text-generation',
    model=model,
    tokenizer=tokenizer,
    device=0 if torch.cuda.is_available() else -1
)

sentiment_analyzer = pipeline(
    'sentiment-analysis',
    model=sentiment_model_name,
    tokenizer=AutoTokenizer.from_pretrained(sentiment_model_name),
    device=0 if torch.cuda.is_available() else -1
)

def clean_arabic_text(text):
    # إزالة الأسطر الجديدة والمسافات الزائدة
    text = ' '.join(text.split())
    # إزالة التشكيل
    text = re.sub(r'[\u064B-\u065F\u0670]', '', text)
    # إزالة الرموز غير المرغوب فيها
    text = re.sub(r'[^\u0600-\u06FF\s]', ' ', text)
    # توحيد الألف والياء
    text = re.sub('[إأآا]', 'ا', text)
    text = re.sub('[ىي]', 'ي', text)
    # إزالة التكرار
    text = re.sub(r'(.)\1+', r'\1', text)
    return text.strip()

def analyze_sentiment(text):
    try:
        result = sentiment_analyzer(text)[0]
        if result['label'] == 'positive':
            return "إيجابي", result['score']
        elif result['label'] == 'negative':
            return "سلبي", result['score']
        else:
            return "محايد", result['score']
    except:
        return "محايد", 0.5

def summarize_text(text, max_length=100):
    try:
        summary = text_generator(
            f"لخص النص التالي: {text}",
            max_length=max_length,
            num_return_sequences=1,
            no_repeat_ngram_size=2,
            do_sample=True,
            top_k=50,
            top_p=0.95,
            temperature=0.7
        )[0]['generated_text']
        return summary
    except:
        return "لم نتمكن من تلخيص النص"

def suggest_response(text):
    try:
        response = text_generator(
            f"اقترح رداً مناسباً على النص التالي: {text}",
            max_length=150,
            num_return_sequences=1,
            no_repeat_ngram_size=2,
            do_sample=True,
            top_k=50,
            top_p=0.95,
            temperature=0.7
        )[0]['generated_text']
        return response
    except:
        return "لم نتمكن من توليد رد مناسب"

def detect_topics(text):
    topics = {
        "سياسة": ["حكومة", "وزير", "برلمان", "رئيس", "انتخابات"],
        "اقتصاد": ["اقتصاد", "سوق", "بورصة", "أسهم", "استثمار"],
        "رياضة": ["كرة", "مباراة", "فريق", "لاعب", "بطولة"],
        "تكنولوجيا": ["تقنية", "إنترنت", "تطبيق", "برمجة", "ذكاء اصطناعي"],
        "ثقافة": ["فن", "أدب", "مسرح", "سينما", "موسيقى"]
    }
    
    text_lower = text.lower()
    detected = []
    for topic, keywords in topics.items():
        if any(keyword in text_lower for keyword in keywords):
            detected.append(topic)
    
    return detected if detected else ["عام"]

def analyze_text(text, include_summary=True, include_response=True):
    if not text.strip():
        return "الرجاء إدخال نص للتحليل"
    
    try:
        # تنظيف النص
        cleaned_text = clean_arabic_text(text)
        
        # تحليل المشاعر
        sentiment, confidence = analyze_sentiment(cleaned_text)
        
        # تحديد المواضيع
        topics = detect_topics(cleaned_text)
        
        # إنشاء التقرير
        report = f"""🔍 تحليل النص:

📝 النص الأصلي:
{text}

📊 التحليل الأساسي:
• المشاعر: {sentiment} (الثقة: {confidence:.1%})
• المواضيع: {', '.join(topics)}
"""
        
        # إضافة التلخيص إذا مطلوب
        if include_summary:
            summary = summarize_text(cleaned_text)
            report += f"\n✨ ملخص النص:\n{summary}"
        
        # إضافة الرد المقترح إذا مطلوب
        if include_response:
            response = suggest_response(cleaned_text)
            report += f"\n💡 الرد المقترح:\n{response}"
        
        return report
        
    except Exception as e:
        return f"⚠️ حدث خطأ أثناء التحليل: {str(e)}"

# إنشاء واجهة المستخدم
demo = gr.Interface(
    fn=analyze_text,
    inputs=[
        gr.Textbox(
            label="أدخل النص هنا",
            placeholder="اكتب نصاً عربياً هنا للتحليل...",
            lines=5
        ),
        gr.Checkbox(
            label="تضمين ملخص للنص",
            value=True
        ),
        gr.Checkbox(
            label="تضمين رد مقترح",
            value=True
        )
    ],
    outputs=gr.Textbox(label="نتائج التحليل", lines=12),
    title="🤖 المحلل الذكي للنصوص العربية",
    description="""نموذج متقدم لتحليل النصوص العربية وتوليد الردود
    ✨ المميزات:
    • تحليل المشاعر في النص
    • تحديد المواضيع الرئيسية
    • تلخيص النص
    • اقتراح ردود مناسبة
    • معالجة متقدمة للغة العربية
    """,
    theme="default"
)

# تشغيل الواجهة
if __name__ == "__main__":
    print("جاري تشغيل النموذج...")
    demo.launch()