import gradio as gr
import os
from deep_translator import GoogleTranslator
from huggingface_hub import InferenceClient

# دریافت توکن از محیط (در Hugging Face Secrets تنظیم شود)
HF_TOKEN = os.environ.get("HUGGINGFACE_API_TOKEN")
if not HF_TOKEN:
    raise RuntimeError("Missing HUGGINGFACE_API_TOKEN secret")

# ساخت کلاینت جدید
hf_client = InferenceClient(token=HF_TOKEN)

# تابع تولید موضوعات پایان‌نامه
def generate_topics(field, major, keywords, audience, level):
    # اعتبارسنجی ورودی‌ها
    if not all([field.strip(), major.strip(), keywords.strip(), audience.strip()]):
        return "<div style='color: red;'>❌ لطفاً همه فیلدها را پر کنید.</div>"

    # ساخت پرامپت پایه
    base_prompt = (
        f"Suggest 3 academic thesis topics based on the following:\n"
        f"Field: {field}\n"
        f"Specialization: {major}\n"
        f"Keywords: {keywords}\n"
        f"Target Audience: {audience}\n"
        f"Level: {level}\n"
    )
    # افزودن جزئیات بیشتر برای دکتری
    if level == "دکتری":
        extra = (
            "Since this is a doctoral-level project, focus on proposing theoretical frameworks, "
            "advanced modeling approaches, and in-depth methodological contributions."
        )
    else:
        extra = (
            "Focus on practical and applied thesis topics suitable for a master's level student."
        )
    prompt = base_prompt + extra

    try:
        # فراخوانی مدل DeepSeek با endpoint چت
        response = hf_client.chat.completions.create(
            model="deepseek-ai/DeepSeek-Prover-V2-671B",
            messages=[
                {"role": "system", "content": "You are an academic advisor assistant."},
                {"role": "user", "content": prompt}
            ],
            temperature=0.7,
            max_tokens=512
        )
        english_output = response.choices[0].message.content.strip()

        # ترجمه به فارسی
        try:
            translated = GoogleTranslator(source='en', target='fa').translate(english_output)
        except Exception:
            translated = english_output

        # قالب‌بندی HTML به لیست مرتب
        items = [f"<li>{line}</li>" for line in translated.split("\n") if line.strip()]
        translated_html = "<ol>" + "".join(items) + "</ol>"

        return (
            "<div>"
            f"{translated_html}"
            "<br><br>📢 برای مشاوره و راهنمایی تخصصی با گروه مشاوره کاسپین تماس بگیرید:<br>"
            "<strong>021-88252497</strong>"
            "</div>"
        )

    except Exception as e:
        return f"<div style='color: red;'>❌ خطا در تماس با مدل DeepSeek: {e}</div>"

# CSS برای لودر (ساعت شنی)
css = """
/* اسپینر (ساعت شنی) */
.spinner {
  display: none;
  width: 60px;
  height: 60px;
  margin: 20px auto;
  border: 6px solid #444;
  border-top: 6px solid #1e88e5;
  border-radius: 50%;
  animation: spin 1s linear infinite;
}
@keyframes spin { to { transform: rotate(360deg); } }

/* هنگام پردازش (processing)، اسپینر را نمایش بده */
.gradio-container.processing .spinner {
  display: block !important;
}
"""

# ساخت برنامه با Blocks
with gr.Blocks(css=css, theme="default") as app:
    gr.Markdown("## 🎓 پیشنهادگر موضوع پایان‌نامه کاسپین")
    with gr.Row():
        with gr.Column(scale=1):
            field    = gr.Textbox(label="رشته", placeholder="مثال: کامپیوتر")
            major    = gr.Textbox(label="گرایش", placeholder="مثال: هوش مصنوعی")
            keywords = gr.Textbox(label="کلیدواژه‌ها", placeholder="مثال: یادگیری عمیق، بینایی ماشین")
            audience = gr.Textbox(label="جامعه هدف", placeholder="مثال: دانشجویان دکتری")
            level    = gr.Dropdown(["کارشناسی ارشد", "دکتری"], label="مقطع")
            submit   = gr.Button("🎯 پیشنهاد موضوع")
        with gr.Column(scale=1):
            spinner  = gr.HTML("<div class='spinner'></div>")
            output   = gr.HTML(elem_id="output_box")

    # اتصال دکمه به تابع
    submit.click(
        fn=generate_topics,
        inputs=[field, major, keywords, audience, level],
        outputs=output
    )

if __name__ == "__main__":
    app.launch()