#load package
from fastapi import FastAPI,HTTPException,status,UploadFile,File
from pydantic import BaseModel
import uvicorn
import logging
import torch
from transformers import T5Tokenizer, T5ForConditionalGeneration,AutoModelForCausalLM,AutoTokenizer
import os
import numpy as np
from openai import OpenAI 
import ollama
import pandas as pd 
# from io import StringIO
import io 
from fastapi.middleware.cors import CORSMiddleware

# Configurer les répertoires de cache
os.environ['TRANSFORMERS_CACHE'] = '/app/.cache'
os.environ['HF_HOME'] = '/app/.cache'
# Charger le modèle et le tokenizer
# model_name = "models/models--t5-base/snapshots/a9723ea7f1b39c1eae772870f3b547bf6ef7e6c1"
# tokenizer = T5Tokenizer.from_pretrained(model_name)
# model = T5ForConditionalGeneration.from_pretrained(model_name)
# model = AutoModelForCausalLM.from_pretrained("THUDM/longwriter-glm4-9b", trust_remote_code=True)
# tokenizer = AutoTokenizer.from_pretrained("THUDM/longwriter-glm4-9b", trust_remote_code=True)
prompt_first ="Résumé en 4 ou 5 phrases de la plainte suivante :"

client = OpenAI(
    base_url="https://integrate.api.nvidia.com/v1",
    api_key="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"
)
 
#Additional information
origins = [
    "https://bambadij-summaryt5.hf.space/generate/",
    "http://bambadij-summaryt5.hf.space/generate/",
    "https://integrate.api.nvidia.com/v1",
    "http://localhost:8080",
]
Informations = """ 
-text : Texte à resumé  

output:
- Text summary : texte resumé
"""

app =FastAPI(
    title='Text Summary',
    description =Informations
)  
  
#class to define the input text 
logging.basicConfig(level=logging.INFO)
logger =logging.getLogger(__name__)

default_prompt = """Bonjour,
en tant qu’expert dans la gestion et le traitement de plaintes réseaux chez un opérateur de télécommunications, fais moi un descriptif clair de la situation concernant la plainte dont les informations sont fournies plus bas dans ce message. Ecris la situation en 4 ou 5 phrases claires et concises, fais comme si tu parlais à un humain et rajoutes les informations relatives au Client pour une meilleure connaissance de ce dernier ainsi que des éléments de dates/délais pour être précis sur le traitement de la plainte. N’hésites pas à innover sur le ton à utiliser car n’oublies pas que tu dois faire comme si tu parlais à un humain. Ce ton peut être adapté et ne pas toujours être le même en fonction des cas.
Pour m’éviter de lire tout le détail de la plainte (voir le texte partagé plus bas), essayes de trouver toutes les informations utiles permettant de mieux appréhender la situation, par exemple : si les coordonnées GPS (Lat, Lon) sont disponibles essayes de m'indiquer le lieu où est survenue la plainte même de manière approximative. Essayes également de glaner sur internet toutes les informations pouvant aider à mieux comprendre et traiter la plainte (cela peut inclure des informations des réseaux sociaux, des concurrents, etc.) tout en priorisant dans l’analyse les informations fournies dans le texte plus bas; informations qui ont été renseignées par les experts internes chez l’opérateur de télécommunications en question et qui sont structurées en plusieurs sections :
a) Un titre de la plainte
b) Une section avec les Détails de la Plainte contenant l’objet, le numéro client, l’expéditeur, la date de création, les coordonnées géographiques (lat, lon)
c) Une section avec les états d’avancement incluant les échanges (sous format chat) entre les différents acteurs impliqués dans le traitement de la plainte
d) Une section contenant les éléments relatifs à la qualification de la plainte (type de plainte, origine, domaine, sous-domaine, etc…)
e) Une section avec les fichiers joints à la plainte et autres pièces jointes pour mieux comprendre et trouver une solution à cette plainte en vue de satisfaire le Client
 
Dans la situation que tu vas me donner (en quelques 4 ou 5 phrases comme si tu t’adresses à un humain), assures toi que les points cruciaux (voire rédhibitoires) ci-dessous sont bien présents :
1) Ecris la situation en 4 ou 5 phrases claires et concises, fais comme si tu parlais à un humain
2) Rajoutes les informations relatives au Client pour être précis sur la connaissance de ce dernier.
3) Rajoutes des éléments de dates (remontée, transfert, prise en charge, résolution, clôture, etc…) ainsi que les délais (par exemple de réponse des différents acteurs ou experts de la chaine de traitement) pour mieux apprécier l'efficacité du traitement de la plainte.
4) Rajoutes à la fin une recommandation importante afin d'éviter le mécontentement du Client par exemple pour éviter qu’une Plainte ne soit clôturée sans solution pour le Client notamment et à titre illustratif seulement dans certains cas pour un Client qui a payé pour un service et ne l'a pas obtenu, On ne peut décemment pas clôturer sa plainte sans solution en lui disant d’être plus vigilant, il faut recommander à l’équipe en charge de la plainte de le rembourser ou de trouver un moyen de donner au Client le service pour lequel il a payé (à défaut de le rembourser).
5) N’hésites pas à innover sur le ton à utiliser car n’oublies pas que tu dois faire comme si tu parlais à un humain. Ce ton peut être adapté et ne pas toujours être le même en fonction des cas.
"""
instructions_par_defaut = (
        "Fais moi un résumé détaillé de ce plainte : "
        "1. Objet de la plainte. "
        "2. Détails incluant le numéro client, le problème et les dates importantes. "
        "3. Actions prises et suivis incluant les dates et les personnes impliquées. "
        "4. Toute action supplémentaire ou recommandation nécessaire."
    )
DEFAULT_PROMPT1 = "Résumez la plainte suivante en 5 phrases concises, en vous concentrant sur les faits principaux ,Rajoutes les informations relatives au Client pour être précis sur la connaissance de ce dernier,Rajoutes des éléments de dates (remontée, transfert, prise en charge, résolution, clôture, etc…) ainsi que les délais (par exemple de réponse des différents acteurs ou experts de la chaine de traitement) pour mieux apprécier l'efficacité du traitement de la plainte,Rajoutes à la fin une recommandation importante afin d'éviter le mécontentement du Client par exemple pour éviter qu’une Plainte ne soit clôturée sans solution pour le Client notamment et à titre illustratif seulement dans certains cas pour un Client qui a payé pour un service,fais comme si tu parlais à un humain et ne l'a pas obtenu,et en évitant toute introduction générique comme la répétiton du prompt  : "
prompt1 = """
Tu es un assistant IA chargé d'analyser qualitativement un ensemble de plaintes clients provenant de différents domaines. Chaque plainte est associée à un statut (FERMÉ, TRANSFÉRÉ, EN COURS, etc.), à une date de création, à un domaine spécifique, et à une description textuelle.

Je te fournis les informations suivantes :

  -Une série de plaintes par domaine (par exemple, OM, FIXE, MOBILE) et par semaine.
  -Les statuts des plaintes (FERMÉ, TRANSFÉRÉ, EN COURS, NON PRIS EN CHARGE).
  -Des descriptions textuelles des plaintes.
Ton rôle est de :

  -Analyser la répartition des plaintes par statut dans chaque domaine pour la semaine en question. Fournis le nombre de plaintes associées à chaque statut par domaine.
  -Identifier les problèmes récurrents dans les plaintes, comme les doublons, les erreurs clients, ou les retards dans le traitement.
  -Proposer des recommandations pour améliorer la gestion des plaintes, comme par exemple éviter les doublons ou améliorer la rapidité de traitement.
  -Présente les résultats de manière claire, avec des observations factuelles et des recommandations. 
"""
app.add_middleware(
    CORSMiddleware,
    allow_origins=origins,
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)
class TextSummary(BaseModel): 
    prompt:str 
    
@app.get("/")
async def home():
    return 'STN BIG DATA'
# Fonction pour générer du texte à partir d'une requête
# Modèle pour la requête
class RequestModel(BaseModel):
    text: str

@app.post("/generate/")
async def generate_text(request: RequestModel):
    # Créer la requête pour l'API NVIDIA
    completion = client.chat.completions.create(
        model="meta/llama-3.1-8b-instruct", 
        messages=[{"role": "user", "content": DEFAULT_PROMPT1  + request.text}],
        temperature=0.2,
        top_p=0.9,
        # max_tokens=1024, 
        stream=True
    )
  
    generated_text = ""
    for chunk in completion:
        if chunk.choices[0].delta.content is not None:
            generated_text += chunk.choices[0].delta.content

    return {"summary_text_2": generated_text}
@app.post("/generate2/")
async def generate_text(file: UploadFile = File(...)):
    # Check file size
    contents = await file.read()
    file_size = len(contents)
    
    if file_size > 5_000_000:  # 5MB limit
        return {"error": "File size exceeds the 5MB limit. The file will be sampled."}

    # Read the uploaded CSV file
    try:
        df = pd.read_csv(io.StringIO(contents.decode('utf-8')))
    except Exception as e:
        return {"error": f"Error reading CSV file: {str(e)}"}

    # Sample the data if it's too large
    if len(df) > 1000:  # Adjust this number based on your needs
        df = df.sample(n=100, random_state=42)

    # Convert the DataFrame to a string
    try:
        text_to_generate = df.to_string(index=False)
    except Exception as e:
        return {"error": f"Error converting DataFrame to string: {str(e)}"}

    # Ensure the generated text is within size limits
    if len(text_to_generate.encode('utf-8')) > 5_000_000:
        return {"error": "Generated text exceeds size limit even after sampling. Please reduce the data further."}

    # Create the request for the API
    try:
        completion = client.chat.completions.create(
            model="meta/llama-3.1-8b-instruct", 
            messages=[{"role": "user", "content": prompt1 + text_to_generate}],
            temperature=0.2,
            top_p=0.9,
            stream=True
        )
    except Exception as e:
        return {"error": f"Error generating text: {str(e)}"}

    generated_text = ""
    for chunk in completion:
        if chunk.choices[0].delta.content is not None:
            generated_text += chunk.choices[0].delta.content

    return {"summary_text_2": generated_text}
if __name__ == "__main__":
    uvicorn.run("app:app",reload=True)