from fastapi import FastAPI
from pydantic import BaseModel
import joblib
from huggingface_hub import hf_hub_download
# pandas yerine scikit-learn'ün TF-IDF'i için gerekli olan diğer kütüphaneler de listelenmeli
import os
import numpy as np # olasılıklar için

# --- AYARLAR ---
# Modelin indirileceği depo (Sizin depo bilgileriniz)
HF_USERNAME = "Artupak"
REPO_NAME = "checkmate-rf-classifier"
MODEL_FILE = "checkmate_rf_model.joblib"
# --- Ayarlar Bitti ---

print("API Başlatılıyor...")
model = None

def load_model():
    """Modeli Hugging Face Hub'dan indirir ve yükler."""
    global model
    try:
        print(f"{HF_USERNAME}/{REPO_NAME} deposundan {MODEL_FILE} indiriliyor...")
        # NOT: Pipeline'ınızın içinde kullanılan tüm kütüphaneler (örneğin TfidfVectorizer) 
        # burada yüklü olmalıdır. joblib, pickle ile yüklediği objenin kütüphanelerini ister.
        model_path = hf_hub_download(
            repo_id=f"{HF_USERNAME}/{REPO_NAME}",
            filename=MODEL_FILE
        )
        model = joblib.load(model_path)
        print("Model başarıyla yüklendi.")
    except Exception as e:
        print(f"HATA: Model yüklenemedi: {e}")

app = FastAPI()

# API başladığında modeli yükle
@app.on_event("startup")
async def startup_event():
    load_model()

# API'nin "canlı" olup olmadığını kontrol etmek için basit bir endpoint
@app.get("/")
def read_root():
    return {"status": "CheckMate RF Sınıflandırma API Aktif", "model_loaded": model is not None}

# Tahmin için kullanılacak veri modelini tanımla (Giriş)
class PredictRequest(BaseModel):
    text: str

# Çıktı için kullanılacak veri modelini tanımla (İstenen format)
class PredictResponse(BaseModel):
    risk_type: str
    message: str

# n8n'in çağıracağı ana tahmin endpoint'i
@app.post("/predict", response_model=PredictResponse)
def predict(request: PredictRequest):
    if model is None:
        # Eğer model yüklenemediyse istenen hata formatını döndür
        return PredictResponse(
            risk_type="ERROR",
            message="Model yüklenemedi. Lütfen FastAPI loglarını kontrol edin."
        )

    input_text = [request.text]

    try:
        # 1. Tahmin ve Güven Skorunu Al
        prediction_label = model.predict(input_text)[0] # 0 veya 1
        probabilities = model.predict_proba(input_text)[0]
        
        # prediction_label 0 (YALAN/DISINFORMATION) veya 1 (DOĞRU/NONE) olmalı.
        # Bu mapping, modelinizin 0'ı neye karşılık getirdiğine bağlıdır.
        # Genellikle 0 = Negatif (Yalan), 1 = Pozitif (Doğru) olarak kabul edilir.
        
        # 2. Risk Tipini Belirle
        if prediction_label == 1: # Varsayım: 1 = DOĞRU / RİSK YOK
            risk_type = "NONE"
            # Tahmin edilen skor, 1'in olasılığıdır
            confidence_score = probabilities[1] 
            
            # 3. Mesajı Oluştur
            message = f"Metin, modelimiz tarafından %{confidence_score * 100:.2f} güvenle herhangi bir risk taşımayan (DOĞRU) bilgi olarak sınıflandırılmıştır."
            
        elif prediction_label == 0: # Varsayım: 0 = YALAN / DİSİNFORMASYON
            risk_type = "DISINFORMATION"
            # Tahmin edilen skor, 0'ın olasılığıdır
            confidence_score = probabilities[0] 
            
            # 3. Mesajı Oluştur
            message = f"Metin, modelimiz tarafından %{confidence_score * 100:.2f} güvenle DİSİNFORMASYON riski taşıyan (YALAN) bilgi olarak sınıflandırılmıştır."
            
        else:
             # Beklenmeyen bir etiket gelirse
            risk_type = "ERROR"
            message = "Model beklenmeyen bir etiket döndürdü."


        # 4. İstenen Formatı Döndür
        return PredictResponse(
            risk_type=risk_type,
            message=message
        )

    except Exception as e:
        # Tahmin sırasında bir hata oluşursa istenen hata formatını döndür
        return PredictResponse(
            risk_type="ERROR",
            message=f"Tahmin sırasında bir hata oluştu: {str(e)}"
        )