import os
import sqlite3
import pandas as pd
from dotenv import load_dotenv
from bs4 import BeautifulSoup
import requests
from langchain_community.document_loaders import WebBaseLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_openai import ChatOpenAI
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory
import gradio as gr

# Carrega chave da API
load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("OPENROUTER_API_KEY")
os.environ["OPENAI_API_BASE"] = "https://openrouter.ai/api/v1"

# Embeddings fixos
embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")

# Mapeamento de temas para documentação de Data Science
temas_para_links = {
    "classificação": "https://scikit-learn.org/stable/modules/classification.html",
    "regressão": "https://scikit-learn.org/stable/modules/linear_model.html",
    "dataframes": "https://pandas.pydata.org/docs/user_guide/dsintro.html",
    "séries temporais": "https://pandas.pydata.org/docs/user_guide/timeseries.html",
    "visualização": "https://matplotlib.org/stable/users/index.html",
    "aprendizado não supervisionado": "https://scikit-learn.org/stable/modules/unsupervised_learning.html",
    "pré-processamento": "https://scikit-learn.org/stable/modules/preprocessing.html",
    "análise exploratória": "https://pandas.pydata.org/docs/getting_started/intro_tutorials/01_table_oriented.html",
    "machine learning": "https://scikit-learn.org/stable/user_guide.html",
    "deep learning": "https://pytorch.org/tutorials/beginner/basics/intro.html"
}

# Detecta tema com base na pergunta
def identificar_tema(pergunta):
    pergunta = pergunta.lower()
    for tema, link in temas_para_links.items():
        if tema in pergunta:
            return link
    return None

# Cria banco de dados SQLite se não existir
conn = sqlite3.connect("historico_conversas.db")
cursor = conn.cursor()
cursor.execute('''
CREATE TABLE IF NOT EXISTS conversas (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    aluno TEXT,
    pergunta TEXT,
    resposta TEXT,
    timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
)
''')
conn.commit()
conn.close()

# LLM da OpenRouter
llm = ChatOpenAI(model="deepseek/deepseek-r1:free", temperature=0.4)

# Memória da conversa
memoria = ConversationBufferMemory(memory_key="chat_history", return_messages=True, output_key="answer")

# Função para salvar no banco
def salvar_conversa(nome, pergunta, resposta):
    conn = sqlite3.connect("historico_conversas.db")
    cursor = conn.cursor()
    cursor.execute("INSERT INTO conversas (aluno, pergunta, resposta) VALUES (?, ?, ?)",
                   (nome or "Anônimo", pergunta, str(resposta)))
    conn.commit()
    conn.close()

# Função principal com roteamento por tema
def responder(pergunta, nome):
    try:
        link = identificar_tema(pergunta)

        if link:
            loader = WebBaseLoader(link)
            docs = loader.load()
            splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
            documents = splitter.split_documents(docs)

            if len(documents) > 0:
                vectordb = FAISS.from_documents(documents, embeddings)
                retriever = vectordb.as_retriever()

                resultado = ConversationalRetrievalChain.from_llm(
                    llm=llm,
                    retriever=retriever,
                    memory=memoria,
                    return_source_documents=True,
                    output_key="answer"
                ).invoke({"question": pergunta})

                raw = resultado["answer"]
                resposta = raw.content if hasattr(raw, "content") else str(raw)

            else:
                resposta = llm.invoke(pergunta).content
        else:
            resposta = llm.invoke(pergunta).content

        salvar_conversa(nome, pergunta, resposta)
        return resposta

    except Exception as e:
        import traceback
        return f"❌ **Erro:**\n```\n{traceback.format_exc()}\n```"

# Resetar memória
def resetar_memoria():
    memoria.clear()
    return "✅ Memória resetada com sucesso!"

# Exportar conversas para arquivos
def exportar_conversas():
    conn = sqlite3.connect("historico_conversas.db")
    df = pd.read_sql_query("SELECT * FROM conversas ORDER BY timestamp DESC", conn)
    df.to_csv("conversas_exportadas.csv", index=False)
    df.to_excel("conversas_exportadas.xlsx", index=False, engine="openpyxl")
    conn.close()
    return "✅ Arquivos 'conversas_exportadas.csv' e 'conversas_exportadas.xlsx' foram salvos!"

# Interface Gradio
with gr.Blocks() as app:
    gr.Markdown("## 📊 Tutor de Data Science com IA + Documentação Técnica")
    nome = gr.Textbox(label="Seu nome (opcional)", placeholder="Ex: Ana")
    pergunta = gr.Textbox(label="Sua dúvida sobre Data Science", placeholder="Ex: Como funciona a validação cruzada?")
    resposta = gr.Markdown(value="ℹ️ Aguardando sua pergunta...")

    botao_enviar = gr.Button("Enviar")
    botao_resetar = gr.Button("🔁 Resetar Memória")
    botao_exportar = gr.Button("📤 Exportar Histórico")

    botao_enviar.click(fn=responder, inputs=[pergunta, nome], outputs=resposta)
    botao_resetar.click(fn=resetar_memoria, outputs=resposta)
    botao_exportar.click(fn=exportar_conversas, outputs=resposta)

app.launch(share=True)