# utils/functions.py

import phonenumbers
from phonenumbers import geocoder, carrier
import re
import requests
import os
from datetime import datetime
import logging

from sqlalchemy import create_engine, Column, String, Integer, DateTime
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker

# Konfiguracja logowania
logging.basicConfig(
    filename='app.log',
    level=logging.INFO,
    format='%(asctime)s %(levelname)s:%(message)s'
)

# Konfiguracja bazy danych SQLite
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
DATABASE_URL = f"sqlite:///{os.path.join(BASE_DIR, '..', 'scam_detector.db')}"

engine = create_engine(DATABASE_URL, connect_args={"check_same_thread": False})
SessionLocal = sessionmaker(autocommit=False, autoflush=False, bind=engine)
Base = declarative_base()

# Definicje modeli
class FakeNumber(Base):
    __tablename__ = "fake_numbers"
    id = Column(Integer, primary_key=True, index=True)
    phone_number = Column(String, unique=True, index=True, nullable=False)
    reported_at = Column(DateTime, default=datetime.utcnow)

class AnalysisHistory(Base):
    __tablename__ = "analysis_history"
    id = Column(Integer, primary_key=True, index=True)
    timestamp = Column(DateTime, default=datetime.utcnow)
    message = Column(String, nullable=False)
    phone_number = Column(String, nullable=False)
    analysis = Column(String, nullable=False)
    risk_assessment = Column(String, nullable=False)
    recommendations = Column(String, nullable=False)

class Stats(Base):
    __tablename__ = "stats"
    id = Column(Integer, primary_key=True, index=True)
    total_analyses = Column(Integer, default=0)
    total_frauds_detected = Column(Integer, default=0)

# Tworzenie tabel w bazie danych (jeśli jeszcze nie istnieją)
Base.metadata.create_all(bind=engine)

# Funkcje pomocnicze

def add_fake_number(phone_number):
    """
    Dodaje numer telefonu do bazy danych jako fałszywy, jeśli jeszcze go tam nie ma.
    """
    db = SessionLocal()
    try:
        existing_number = db.query(FakeNumber).filter(FakeNumber.phone_number == phone_number).first()
        if not existing_number:
            new_number = FakeNumber(phone_number=phone_number)
            db.add(new_number)
            db.commit()
            db.refresh(new_number)
            logging.info(f"Numer {phone_number} został pomyślnie dodany do bazy danych.")
            return True
        else:
            logging.info(f"Numer {phone_number} już istnieje w bazie danych.")
            return False
    except Exception as e:
        db.rollback()
        logging.error(f"Nie udało się zapisać numeru {phone_number}: {e}")
        return False
    finally:
        db.close()

def is_fake_number(phone_number):
    """
    Sprawdza, czy dany numer telefonu jest oznaczony jako fałszywy w bazie danych.
    """
    db = SessionLocal()
    try:
        exists = db.query(FakeNumber).filter(FakeNumber.phone_number == phone_number).first() is not None
        logging.info(f"Sprawdzanie numeru {phone_number}: {'znaleziony' if exists else 'nie znaleziony'}.")
        return exists
    except Exception as e:
        logging.error(f"Nie udało się sprawdzić numeru {phone_number}: {e}")
        return False
    finally:
        db.close()

def add_to_history(message, phone_number, analysis, risk, recommendations):
    """
    Dodaje wpis do historii analiz.
    """
    db = SessionLocal()
    try:
        new_entry = AnalysisHistory(
            message=message,
            phone_number=phone_number,
            analysis=analysis,
            risk_assessment=risk,
            recommendations=recommendations
        )
        db.add(new_entry)
        db.commit()
        logging.info(f"Dodano wpis do historii analiz dla numeru {phone_number}.")
    except Exception as e:
        db.rollback()
        logging.error(f"Nie udało się zapisać historii analiz dla numeru {phone_number}: {e}")
    finally:
        db.close()

def update_stats(fraud_detected=False):
    """
    Aktualizuje statystyki analiz w bazie danych.
    """
    db = SessionLocal()
    try:
        stats = db.query(Stats).first()
        if not stats:
            stats = Stats()
            db.add(stats)
        
        stats.total_analyses += 1
        if fraud_detected:
            stats.total_frauds_detected += 1

        db.commit()
        logging.info(f"Statystyki zostały zaktualizowane: Analiz {stats.total_analyses}, Oszustw {stats.total_frauds_detected}.")
    except Exception as e:
        db.rollback()
        logging.error(f"Nie udało się zaktualizować statystyk: {e}")
    finally:
        db.close()

def get_stats():
    """
    Pobiera statystyki analiz z bazy danych.
    """
    db = SessionLocal()
    try:
        stats = db.query(Stats).first()
        if stats:
            logging.info("Statystyki zostały pobrane pomyślnie.")
            return {"total_analyses": stats.total_analyses, "total_frauds_detected": stats.total_frauds_detected}
        else:
            logging.info("Brak statystyk w bazie danych.")
            return {"total_analyses": 0, "total_frauds_detected": 0}
    except Exception as e:
        logging.error(f"Nie udało się pobrać statystyk: {e}")
        return {"total_analyses": 0, "total_frauds_detected": 0}
    finally:
        db.close()

def get_history():
    """
    Pobiera historię analiz z bazy danych jako listę słowników.
    """
    db = SessionLocal()
    try:
        history_entries = db.query(AnalysisHistory).order_by(AnalysisHistory.timestamp.desc()).all()
        history = []
        for entry in history_entries:
            history.append({
                'timestamp': entry.timestamp,
                'message': entry.message,
                'phone_number': entry.phone_number,
                'analysis': entry.analysis,
                'risk_assessment': entry.risk_assessment,
                'recommendations': entry.recommendations
            })
        logging.info("Historia analiz została pobrana pomyślnie.")
        return history
    except Exception as e:
        logging.error(f"Nie udało się pobrać historii analiz: {e}")
        return []
    finally:
        db.close()

def get_phone_info(phone_number):
    """
    Weryfikuje numer telefonu i zwraca informacje o kraju i operatorze.
    """
    try:
        parsed_number = phonenumbers.parse(phone_number, None)
        country = geocoder.description_for_number(parsed_number, 'en')  # Możesz zmienić język na 'pl' lub 'de'
        operator = carrier.name_for_number(parsed_number, 'en')  # Możesz zmienić język na 'pl' lub 'de'
        logging.info(f"Numer {phone_number} - Kraj: {country}, Operator: {operator}.")
        return country, operator
    except phonenumbers.NumberParseException as e:
        logging.error(f"Nie udało się przetworzyć numeru telefonu {phone_number}: {e}")
        return None, None

def simple_checks(message, language):
    """
    Przeprowadza proste sprawdzenia heurystyczne wiadomości SMS.
    """
    warnings = []
    # Baza słów kluczowych (polski, niemiecki, angielski)
    scam_keywords = {
        'Polish': ['pieniądze', 'przelew', 'hasło', 'kod', 'nagroda', 'wygrana', 'pilne', 'pomoc', 'opłata', 'bank', 'karta', 'konto', 'logowanie', 'transakcja', 'weryfikacja', 'dane osobowe', 'szybka płatność', 'blokada konta', 'powiadomienie'],
        'German': ['Geld', 'Überweisung', 'Passwort', 'Code', 'Preis', 'Gewinn', 'dringend', 'Hilfe', 'Gebühr', 'Bank', 'Karte', 'Konto', 'Anmeldung', 'Transaktion', 'Verifizierung', 'persönliche Daten', 'schnelle Zahlung', 'Kontosperrung', 'Benachrichtigung'],
        'English': ['money', 'transfer', 'password', 'code', 'prize', 'win', 'urgent', 'help', 'fee', 'bank', 'card', 'account', 'login', 'transaction', 'verification', 'personal information', 'quick payment', 'account lock', 'notification']
    }

    selected_keywords = scam_keywords.get(language, scam_keywords['English'])

    if any(keyword in message.lower() for keyword in selected_keywords):
        warnings.append("Wiadomość zawiera słowa kluczowe związane z potencjalnym oszustwem.")
    if re.search(r'http[s]?://', message):
        warnings.append("Wiadomość zawiera link.")
    if re.search(r'\b(podaj|prześlij|udostępnij)\b.*\b(hasło|kod|dane osobowe|numer konta)\b', message.lower()):
        warnings.append("Wiadomość zawiera prośbę o poufne informacje.")
    return warnings

def analyze_message(message, phone_number, additional_info, api_key, language):
    """
    Analizuje wiadomość SMS za pomocą API SambaNova.
    """
    if not api_key:
        logging.error("Brak klucza API.")
        return "Brak klucza API.", "Brak klucza API.", "Brak klucza API."

    url = "https://api.sambanova.ai/v1/chat/completions"
    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }

    # System prompts w trzech językach
    system_prompts = {
        'Polish': """
Jesteś zaawansowanym asystentem AI specjalizującym się w identyfikacji fałszywych wiadomości SMS. Twoim zadaniem jest przeprowadzenie szczegółowej analizy wiadomości, wykorzystując głęboki proces myślenia i dostarczając kompleksową ocenę. Twoja odpowiedź powinna być podzielona na trzy sekcje:

<analysis>
**Analiza Treści Wiadomości:**
- Przeprowadź szczegółową analizę treści wiadomości, identyfikując potencjalne czerwone flagi, takie jak błędy językowe, prośby o dane osobowe, pilne prośby o kontakt itp.
- Opisz kontekst językowy i kulturowy wiadomości.
- Zidentyfikuj wszelkie elementy, które mogą sugerować, że wiadomość jest próbą wyłudzenia informacji lub pieniędzy.
</analysis>

<risk_assessment>
**Ocena Ryzyka Oszustwa:**
- Na podstawie analizy treści i dostępnych informacji oceń prawdopodobieństwo, że wiadomość jest oszustwem. Użyj skali od 1 do 10, gdzie 1 oznacza bardzo niskie ryzyko, a 10 bardzo wysokie ryzyko.
- Wyjaśnij, jakie czynniki wpływają na tę ocenę.
</risk_assessment>

<recommendations>
**Zalecenia dla Użytkownika:**
- Podaj jasne i konkretne zalecenia dotyczące dalszych kroków, które użytkownik powinien podjąć.
- Uwzględnij sugestie dotyczące bezpieczeństwa, takie jak blokowanie nadawcy, zgłaszanie wiadomości do odpowiednich instytucji, czy też ignorowanie wiadomości.
- Jeśli to możliwe, zasugeruj dodatkowe środki ostrożności, które użytkownik może podjąć, aby chronić swoje dane osobowe i finansowe.
</recommendations>

Twoja odpowiedź powinna być sformatowana dokładnie w powyższy sposób, używając znaczników <analysis>, <risk_assessment> i <recommendations>. Upewnij się, że każda sekcja jest wypełniona kompletnie i szczegółowo.
        """,
        'German': """
Du bist ein fortgeschrittener KI-Assistent, spezialisiert auf die Identifizierung gefälschter SMS-Nachrichten. Deine Aufgabe ist es, eine detaillierte Analyse der Nachricht durchzuführen, indem du einen tiefgreifenden Denkprozess nutzt und eine umfassende Bewertung lieferst. Deine Antwort sollte in drei Abschnitte unterteilt sein:

<analysis>
**Nachrichteninhaltsanalyse:**
- Führe eine detaillierte Analyse des Nachrichteninhalts durch und identifiziere potenzielle rote Flaggen wie sprachliche Fehler, Aufforderungen zur Preisgabe persönlicher Daten, dringende Kontaktanfragen usw.
- Beschreibe den sprachlichen und kulturellen Kontext der Nachricht.
- Identifiziere alle Elemente, die darauf hindeuten könnten, dass die Nachricht ein Versuch ist, Informationen oder Geld zu erlangen.
</analysis>

<risk_assessment>
**Betrugsrisikobewertung:**
- Basierend auf der Inhaltsanalyse und den verfügbaren Informationen, bewerte die Wahrscheinlichkeit, dass die Nachricht ein Betrug ist. Verwende eine Skala von 1 bis 10, wobei 1 sehr geringes Risiko und 10 sehr hohes Risiko bedeutet.
- Erkläre, welche Faktoren diese Bewertung beeinflussen.
</risk_assessment>

<recommendations>
**Empfehlungen für den Benutzer:**
- Gib klare und konkrete Empfehlungen zu den nächsten Schritten, die der Benutzer unternehmen sollte.
- Berücksichtige Sicherheitsempfehlungen wie das Blockieren des Absenders, das Melden der Nachricht an entsprechende Behörden oder das Ignorieren der Nachricht.
- Wenn möglich, schlage zusätzliche Vorsichtsmaßnahmen vor, die der Benutzer ergreifen kann, um seine persönlichen und finanziellen Daten zu schützen.
</recommendations>

Deine Antwort sollte genau nach den oben genannten Richtlinien formatiert sein und die Markierungen <analysis>, <risk_assessment> und <recommendations> verwenden. Stelle sicher, dass jeder Abschnitt vollständig und detailliert ausgefüllt ist.
        """,
        'English': """
You are an advanced AI assistant specializing in identifying fake SMS messages. Your task is to conduct a detailed analysis of the message, utilizing a deep thinking process and providing a comprehensive assessment. Your response should be divided into three sections:

<analysis>
**Message Content Analysis:**
- Conduct a detailed analysis of the message content, identifying potential red flags such as language errors, requests for personal information, urgent contact requests, etc.
- Describe the linguistic and cultural context of the message.
- Identify any elements that may suggest the message is an attempt to solicit information or money.
</analysis>

<risk_assessment>
**Fraud Risk Assessment:**
- Based on the content analysis and available information, assess the likelihood that the message is fraudulent. Use a scale from 1 to 10, where 1 indicates very low risk and 10 indicates very high risk.
- Explain the factors that influence this assessment.
</risk_assessment>

<recommendations>
**User Recommendations:**
- Provide clear and concrete recommendations regarding the next steps the user should take.
- Include security suggestions such as blocking the sender, reporting the message to appropriate authorities, or ignoring the message.
- If possible, suggest additional precautionary measures the user can take to protect their personal and financial information.
</recommendations>

Your response should be formatted exactly as specified above, using the <analysis>, <risk_assessment>, and <recommendations> tags. Ensure that each section is thoroughly and comprehensively filled out.
        """
    }

    system_prompt = system_prompts.get(language, system_prompts['English'])  # Default to English if language not found

    user_prompt = f"""Analyze the following message for potential fraud:

Message: "{message}"
Sender's Phone Number: "{phone_number}"

Additional Information:
{additional_info}

Provide your analysis and conclusions following the guidelines above."""

    payload = {
        "model": "Meta-Llama-3.1-8B-Instruct",  # Upewnij się, że to poprawny model API
        "messages": [
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": user_prompt}
        ],
        "max_tokens": 1000,
        "temperature": 0.2,
        "top_p": 0.9,
        "stop": ["<|eot_id|>"]
    }

    try:
        response = requests.post(url, headers=headers, json=payload)
        if response.status_code == 200:
            data = response.json()
            ai_response = data['choices'][0]['message']['content']
            # Parsowanie odpowiedzi
            analysis = re.search(r'<analysis>(.*?)</analysis>', ai_response, re.DOTALL)
            risk_assessment = re.search(r'<risk_assessment>(.*?)</risk_assessment>', ai_response, re.DOTALL)
            recommendations = re.search(r'<recommendations>(.*?)</recommendations>', ai_response, re.DOTALL)

            analysis_text = analysis.group(1).strip() if analysis else "No analysis available."
            risk_text = risk_assessment.group(1).strip() if risk_assessment else "No risk assessment available."
            recommendations_text = recommendations.group(1).strip() if recommendations else "No recommendations available."

            return analysis_text, risk_text, recommendations_text
        else:
            logging.error(f"API Error: {response.status_code} - {response.text}")
            return f"API Error: {response.status_code} - {response.text}", "Analysis Error.", "Analysis Error."
    except Exception as e:
        logging.error(f"API Connection Error: {e}")
        return f"API Connection Error: {e}", "Analysis Error.", "Analysis Error."