import gradio as gr
import re
import os
import requests
import json
import logging
from typing import Dict, List, Tuple, Optional
from llm_sender_unified import create_llm_sender
from qwen_anonymizer import create_qwen_anonymizer  # ✅ اضافه شد

# ✅ مدل‌های موجود - به‌روزرسانی نوامبر 2024
AVAILABLE_MODELS = {
    "chatgpt": [
        # GPT-5 Series (جدیدترین)
        "gpt-5.1",           # بهترین برای کدنویسی و وظایف agentic
        "gpt-5",             # مدل reasoning قبلی
        # GPT-4 Series
        "gpt-4.1",           # هوشمندترین non-reasoning
        "gpt-4o",            # قدرتمند
        "gpt-4o-mini",       # سریع و ارزان
        "gpt-4-turbo",       # سریع‌تر از GPT-4
    ],
    "grok": [
        # Grok-4 Series (جدیدترین)
        "grok-4-fast-reasoning",      # سریع با reasoning
        "grok-4-fast-non-reasoning",  # سریع بدون reasoning
        "grok-4-0709",                # نسخه پایدار
        # Grok-3 Series
        "grok-3",                     # قدرتمند
        "grok-3-mini",                # سبک
        # Grok-2 Series
        "grok-2-vision-1212",         # با قابلیت بینایی
        "grok-2-1212",                # نسخه پایدار
        "grok-2"                      # نسخه قدیمی
    ]
}

# ✅ روش‌های ناشناس‌سازی
ANONYMIZATION_METHODS = {
    "cerebras": "🧠 Cerebras (Llama 3.3 70B)",
    "qwen": "🤖 Qwen2.5-1.5B (فاین‌تیون شده)"  # ✅ جدید
}

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

class AnonymizerAdvanced:
    """ناشناس‌ساز پیشرفته با روش‌های متعدد"""
    
    def __init__(
        self, 
        cerebras_key: str = None, 
        llm_provider: str = "chatgpt", 
        llm_model: str = None,
        entities_to_anonymize: List[str] = None,
        anonymization_method: str = "cerebras"  # ✅ جدید
    ):
        self.cerebras_key = cerebras_key or os.getenv("CEREBRAS_API_KEY")
        self.llm_provider = llm_provider
        self.llm_model = llm_model
        self.entities_to_anonymize = entities_to_anonymize or ["person", "company", "amount", "percent"]
        self.anonymization_method = anonymization_method  # ✅ جدید
        self.mapping_table = {}
        self.reverse_mapping = {}
        
        # ایجاد LLM sender
        self._create_llm_sender()
        
        # ✅ ایجاد Qwen Anonymizer
        if self.anonymization_method == "qwen":
            self.qwen_anonymizer = create_qwen_anonymizer()
            logger.info("✅ Qwen Anonymizer مقداردهی شد")
        
        logger.info(f"✅ Anonymizer Advanced مقداردهی شد با {llm_provider}")
    
    def _create_llm_sender(self):
        """ایجاد LLM sender مناسب"""
        try:
            # ✅ همیشه از Hugging Face Secrets استفاده کن
            if self.llm_provider == "chatgpt":
                api_key = os.getenv("OPENAI_API_KEY")
                logger.info("🔑 استفاده از OPENAI_API_KEY از Secrets")
            elif self.llm_provider == "grok":
                api_key = os.getenv("XAI_API_KEY")
                logger.info("🔑 استفاده از XAI_API_KEY از Secrets")
            else:
                api_key = None
                logger.warning("⚠️ Provider ناشناخته")
            
            # ایجاد sender
            self.llm_sender = create_llm_sender(
                provider=self.llm_provider,
                api_key=api_key,
                model=self.llm_model
            )
            
            logger.info(f"✅ LLM Sender ایجاد شد: {self.llm_provider} - {self.llm_sender.model}")
            
        except Exception as e:
            logger.error(f"❌ خطا در ایجاد LLM Sender: {e}")
            # fallback to ChatGPT
            self.llm_sender = create_llm_sender("chatgpt")

    def set_llm_provider(self, provider: str, model: str = None, entities: List[str] = None):
        """تغییر provider و مدل LLM و موجودیت‌های ناشناس‌سازی"""
        self.llm_provider = provider
        self.llm_model = model
        if entities is not None:
            self.entities_to_anonymize = entities
        self._create_llm_sender()
        logger.info(f"✅ LLM تغییر یافت به: {provider} - {model}")
        logger.info(f"✅ موجودیت‌های ناشناس‌سازی: {self.entities_to_anonymize}")
    
    def set_anonymization_method(self, method: str):
        """تغییر روش ناشناس‌سازی"""
        self.anonymization_method = method
        
        if method == "qwen" and not hasattr(self, 'qwen_anonymizer'):
            self.qwen_anonymizer = create_qwen_anonymizer()
            logger.info("✅ Qwen Anonymizer مقداردهی شد")
        
        logger.info(f"✅ روش ناشناس‌سازی تغییر یافت به: {method}")

    def anonymize_with_cerebras(self, text: str) -> Tuple[str, Dict]:
        """ناشناس‌سازی با Cerebras - بر اساس موجودیت‌های انتخابی"""
        logger.info("🧠 روش Cerebras...")
        
        if not self.cerebras_key:
            logger.error("❌ Cerebras API Key موجود نیست")
            raise ValueError("Cerebras API Key مورد نیاز است")
        
        # ✅ ساخت دستورات بر اساس موجودیت‌های انتخابی
        instructions = []
        instruction_number = 1
        
        if "person" in self.entities_to_anonymize:
            instructions.append(f"{instruction_number}. اسامی اشخاص → person-01, person-02, ...")
            instruction_number += 1
        
        if "company" in self.entities_to_anonymize:
            instructions.append(f"{instruction_number}. نام شرکت‌ها/سازمان‌ها → company-01, company-02, ...")
            instruction_number += 1
        
        if "amount" in self.entities_to_anonymize:
            instructions.append(f"{instruction_number}. اعداد و ارقام و مبالغ (مثل: 50 میلیارد، 100 هزار، 25.5 میلیون، ۳۰۰ دستگاه) → amount-01, amount-02, ...")
            instruction_number += 1
        
        if "percent" in self.entities_to_anonymize:
            instructions.append(f"{instruction_number}. درصدها → percent-01, percent-02, ...")
            instruction_number += 1
        
        # اگه هیچی انتخاب نشده، متن رو همون‌طور برگردون
        if not instructions:
            logger.warning("⚠️ هیچ موجودیتی برای ناشناس‌سازی انتخاب نشده!")
            return text, {}
        
        instructions_text = "\n".join(instructions)
        instructions_text += f"\n{instruction_number}. فقط این توکن‌ها استفاده کنید"
        instructions_text += f"\n{instruction_number + 1}. شماره‌های نسخه را درست حفظ کنید"
        instructions_text += f"\n{instruction_number + 2}. اگر موجودیت تکرار شود از شماره قدیمی استفاده کنید"
        
        try:
            # مرحله 1: ناشناس‌سازی متن
            # ✅ ساخت مثال برای amount (اگر انتخاب شده)
            example_text = ""
            if "amount" in self.entities_to_anonymize:
                example_text = """
مثال:
متن اصلی: "فروش 50 میلیارد ریال در سال گذشته بود."
متن ناشناس: "فروش amount-01 در سال گذشته بود."
"""
            
            prompt1 = f"""متن زیر را ناشناس کنید. قوانین:
{instructions_text}
{example_text}
متن:
{text}

خروجی: فقط متن ناشناس شده (بدون توضیح اضافی)"""
            
            response1 = requests.post(
                "https://api.cerebras.ai/v1/chat/completions",
                headers={
                    "Authorization": f"Bearer {self.cerebras_key}",
                    "Content-Type": "application/json"
                },
                json={
                    "model": "llama-3.3-70b",
                    "messages": [{"role": "user", "content": prompt1}],
                    "max_tokens": 4096,
                    "temperature": 0.1
                },
                timeout=60
            )
            
            if response1.status_code != 200:
                logger.error(f"❌ Cerebras Error: {response1.status_code}")
                raise Exception(f"Cerebras API Error: {response1.status_code}")
            
            anonymized_text = response1.json()['choices'][0]['message']['content'].strip()
            logger.info("✅ Cerebras: ناشناس‌سازی موفق")
            
            # مرحله 2: استخراج mapping - فقط برای موجودیت‌های انتخابی
            mapping_instructions = []
            json_example = "{\n"
            
            if "person" in self.entities_to_anonymize:
                mapping_instructions.append('- برای person-XX: نام کامل شخص (مثلاً "علی احمدی")')
                json_example += '  "person-01": "متن اصلی کامل",\n'
            
            if "company" in self.entities_to_anonymize:
                mapping_instructions.append('- برای company-XX: نام کامل شرکت/سازمان (مثلاً "شرکت پتروشیمی")')
                json_example += '  "company-01": "متن اصلی کامل",\n'
            
            if "amount" in self.entities_to_anonymize:
                mapping_instructions.append('- برای amount-XX: عدد + واحد (مثلاً "80 هزار تومان" یا "50 میلیارد ریال")')
                json_example += '  "amount-01": "متن اصلی کامل با واحد",\n'
            
            if "percent" in self.entities_to_anonymize:
                mapping_instructions.append('- برای percent-XX: عدد + کلمه "درصد" (مثلاً "40 درصد" نه فقط "40")')
                json_example += '  "percent-01": "عدد + درصد",\n'
            
            json_example += "  ...\n}"
            mapping_instructions_text = "\n".join(mapping_instructions)
            
            prompt2 = f"""متن اصلی:
{text}

متن ناشناس شده:
{anonymized_text}

لطفاً یک جدول mapping برای همه توکن‌های ناشناس ایجاد کن.
برای هر توکن، متن اصلی کامل آن را مشخص کن.

**مهم:** 
{mapping_instructions_text}

خروجی را به این فرمت JSON بده (فقط JSON، بدون توضیح اضافی):
{json_example}"""
            
            response2 = requests.post(
                "https://api.cerebras.ai/v1/chat/completions",
                headers={
                    "Authorization": f"Bearer {self.cerebras_key}",
                    "Content-Type": "application/json"
                },
                json={
                    "model": "llama-3.3-70b",
                    "messages": [{"role": "user", "content": prompt2}],
                    "max_tokens": 4096,
                    "temperature": 0.1
                },
                timeout=60
            )
            
            if response2.status_code != 200:
                logger.error(f"❌ Cerebras Mapping Error: {response2.status_code}")
                raise Exception(f"Cerebras Mapping Error: {response2.status_code}")
            
            mapping_text = response2.json()['choices'][0]['message']['content'].strip()
            
            # پارس JSON
            mapping_dict = self._parse_json_mapping(mapping_text)
            
            logger.info("✅ Cerebras: mapping استخراج شد")
            
            return anonymized_text, mapping_dict
        
        except Exception as e:
            logger.error(f"❌ خطا در Cerebras: {e}")
            return f"❌ خطا در ناشناس‌سازی: {str(e)}", {}
    
    def anonymize_with_qwen(self, text: str) -> Tuple[str, Dict]:
        """✅ ناشناس‌سازی با مدل فاین‌تیون شده Qwen"""
        logger.info("🤖 روش Qwen...")
        
        try:
            if not hasattr(self, 'qwen_anonymizer'):
                self.qwen_anonymizer = create_qwen_anonymizer()
            
            anonymized_text, mapping_dict = self.qwen_anonymizer.anonymize(
                text,
                entities_to_anonymize=self.entities_to_anonymize
            )
            
            logger.info("✅ Qwen: ناشناس‌سازی موفق")
            return anonymized_text, mapping_dict
        
        except Exception as e:
            logger.error(f"❌ خطا در Qwen: {e}")
            return f"❌ خطا در ناشناس‌سازی: {str(e)}", {}
    
    def _parse_json_mapping(self, text: str) -> Dict:
        """پارس کردن JSON mapping از پاسخ LLM"""
        try:
            # حذف markdown code blocks
            text = re.sub(r'```json\s*', '', text)
            text = re.sub(r'```\s*', '', text)
            text = text.strip()
            
            # پیدا کردن اولین { و آخرین }
            start = text.find('{')
            end = text.rfind('}')
            
            if start != -1 and end != -1:
                json_text = text[start:end+1]
                mapping = json.loads(json_text)
                return mapping
            else:
                logger.error("❌ فرمت JSON نامعتبر")
                return {}
        
        except json.JSONDecodeError as e:
            logger.error(f"❌ خطا در پارس JSON: {e}")
            return {}
        except Exception as e:
            logger.error(f"❌ خطای غیرمنتظره: {e}")
            return {}
    
    def anonymize(self, text: str) -> Tuple[str, Dict]:
        """✅ ناشناس‌سازی با روش انتخابی"""
        if self.anonymization_method == "cerebras":
            return self.anonymize_with_cerebras(text)
        elif self.anonymization_method == "qwen":
            return self.anonymize_with_qwen(text)
        else:
            logger.error(f"❌ روش ناشناخته: {self.anonymization_method}")
            return text, {}
    
    def restore_text(self, anonymized_text: str) -> str:
        """بازگردانی متن با استفاده از mapping"""
        restored = anonymized_text
        
        for token, original in self.mapping_table.items():
            restored = restored.replace(token, original)
        
        return restored
    
    def analyze_with_llm(self, anonymized_text: str, prompt: str) -> str:
        """تحلیل متن ناشناس شده با LLM"""
        if not prompt or not prompt.strip():
            return "❌ دستور LLM خالی است!"
        
        full_prompt = f"""{prompt}

متن:
{anonymized_text}"""
        
        try:
            response = self.llm_sender.send_simple(full_prompt, lang='fa')
            return response
        
        except Exception as e:
            logger.error(f"❌ خطا در تحلیل LLM: {e}")
            return f"❌ خطا: {str(e)}"


# ==================== Gradio Interface ====================

# متغیر global برای نگهداری instance
anonymizer = None

def initialize_anonymizer():
    """مقداردهی اولیه anonymizer"""
    global anonymizer
    anonymizer = AnonymizerAdvanced(
        llm_provider="chatgpt",
        llm_model="gpt-4o-mini",
        anonymization_method="cerebras"  # پیش‌فرض
    )
    logger.info("✅ Anonymizer مقداردهی شد")

def process(
    input_text: str,
    analysis_prompt: str,
    llm_provider: str,
    llm_model: str,
    anonymize_all: bool,
    anonymize_person: bool,
    anonymize_company: bool,
    anonymize_amount: bool,
    anonymize_percent: bool,
    anonymization_method: str  # ✅ پارامتر جدید
):
    """پردازش متن"""
    global anonymizer
    
    # بررسی اولیه
    if not input_text or not input_text.strip():
        return "", "", "", "### ⚠️ خطا\n\nمتن ورودی خالی است!"
    
    try:
        # تعیین موجودیت‌ها
        if anonymize_all:
            entities = ["person", "company", "amount", "percent"]
        else:
            entities = []
            if anonymize_person:
                entities.append("person")
            if anonymize_company:
                entities.append("company")
            if anonymize_amount:
                entities.append("amount")
            if anonymize_percent:
                entities.append("percent")
        
        if not entities:
            return "", "", "", "### ⚠️ خطا\n\nحداقل یک موجودیت را انتخاب کنید!"
        
        # تنظیم anonymizer
        anonymizer.set_llm_provider(llm_provider, llm_model, entities)
        anonymizer.set_anonymization_method(anonymization_method)  # ✅ جدید
        
        # ناشناس‌سازی
        anonymized_text, mapping = anonymizer.anonymize(input_text)
        
        if not mapping:
            return "", "", anonymized_text, "### ⚠️ هشدار\n\nMapping خالی است!"
        
        anonymizer.mapping_table = mapping
        
        # تحلیل (اختیاری) - باید اول انجام بشه!
        has_analysis = analysis_prompt and analysis_prompt.strip()
        
        if has_analysis:
            # مرحله 1: تحلیل LLM
            llm_analysis = anonymizer.analyze_with_llm(anonymized_text, analysis_prompt)
            # مرحله 2: بازگردانی خروجی LLM (نه متن ناشناس اولیه!)
            restored_text = anonymizer.restore_text(llm_analysis)
        else:
            # بدون تحلیل
            llm_analysis = "تحلیل درخواست نشده"
            # بازگردانی متن ناشناس اولیه
            restored_text = anonymizer.restore_text(anonymized_text)
        
        # ساخت جدول mapping
        mapping_md = "### 📋 جدول نگاشت\n\n"
        mapping_md += "| توکن | مقدار اصلی |\n"
        mapping_md += "|------|------------|\n"
        
        for token, value in sorted(mapping.items()):
            mapping_md += f"| `{token}` | {value} |\n"
        
        return restored_text, llm_analysis, anonymized_text, mapping_md
    
    except Exception as e:
        logger.error(f"❌ خطا در پردازش: {e}")
        error_md = f"### ❌ خطا\n\n{str(e)}"
        return "", "", "", error_md

def clear_all():
    """پاک کردن همه فیلدها"""
    return (
        "",  # input_text
        "",  # analysis_prompt
        "",  # restored_text
        "",  # llm_analysis
        "",  # anonymized_text
        "### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده",  # mapping_table
        True,  # anonymize_all
        False,  # anonymize_person
        False,  # anonymize_company
        False,  # anonymize_amount
        False   # anonymize_percent
    )


# ==================== Gradio App ====================

# مقداردهی اولیه
initialize_anonymizer()

# CSS سفارشی
custom_css = """
.input-box {
    direction: rtl;
    text-align: right;
}
.textbox {
    direction: rtl !important;
    text-align: right !important;
}
.thick-divider {
    border-top: 3px solid #ccc;
    margin: 20px 0;
}
.compact-checkbox label {
    padding: 5px 0 !important;
}
"""

with gr.Blocks(css=custom_css, title="سیستم ناشناس‌سازی متون", theme=gr.themes.Soft()) as app:
    gr.Markdown(
        """
        # 🔒 سیستم ناشناس‌سازی متون مالی و خبری
        ### با قابلیت تحلیل هوشمند و بازگردانی دقیق
        """,
        elem_classes="input-box"
    )
    
    # ردیف اول: تنظیمات
    with gr.Row():
        # سمت راست: انتخاب مدل
        with gr.Column(scale=1):
            with gr.Group():
                gr.Markdown("### 🎯 انتخاب مدل", elem_classes="input-box")
                
                # ✅ انتخاب روش ناشناس‌سازی
                anonymization_method = gr.Radio(
                    choices=list(ANONYMIZATION_METHODS.keys()),
                    value="cerebras",
                    label="🔧 روش ناشناس‌سازی",
                    interactive=True,
                    elem_classes="input-box"
                )
                
                llm_provider = gr.Radio(
                    choices=["chatgpt", "grok"],
                    value="chatgpt",
                    label="🤖 انتخاب مدل زبانی (برای تحلیل)",
                    interactive=True
                )
                
                llm_model = gr.Dropdown(
                    choices=AVAILABLE_MODELS["chatgpt"],
                    value="gpt-4o-mini",
                    label="📦 انتخاب نسخه مدل",
                    interactive=True
                )
        
        # سمت چپ: انتخاب موجودیت‌ها
        with gr.Column(scale=1):
            with gr.Group():
                gr.Markdown("### 🎯 انتخاب موجودیت‌ها", elem_classes="input-box")
                
                anonymize_all = gr.Checkbox(
                    label="✅ همه موجودیت‌ها",
                    value=True,
                    elem_classes="input-box compact-checkbox"
                )
                
                anonymize_person = gr.Checkbox(
                    label="👤 اسامی اشخاص",
                    value=False,
                    elem_classes="input-box compact-checkbox"
                )
                
                anonymize_company = gr.Checkbox(
                    label="🏢 نام شرکت‌ها",
                    value=False,
                    elem_classes="input-box compact-checkbox"
                )
                
                anonymize_amount = gr.Checkbox(
                    label="💰 ارقام مالی",
                    value=False,
                    elem_classes="input-box compact-checkbox"
                )
                
                anonymize_percent = gr.Checkbox(
                    label="📊 درصدها",
                    value=False,
                    elem_classes="input-box compact-checkbox"
                )
    
    # خط جداکننده پررنگ
    gr.Markdown("---", elem_classes="thick-divider")
    
    # ردیف دوم: دستورات پردازش و متن ورودی
    with gr.Row():
        # سمت راست: دستورات پردازش
        with gr.Column(scale=1):
            gr.Markdown("### 📋 دستورات پردازش", elem_classes="input-box")
            
            analysis_prompt = gr.Textbox(
                lines=22,
                placeholder="مثال: این متن را خلاصه کن\nیا: نکات کلیدی را استخراج کن",
                label="📋 دستورات LLM (اختیاری)",
                elem_classes="textbox"
            )
        
        # سمت چپ: متن ورودی
        with gr.Column(scale=1):
            gr.Markdown("### 📝 متن ورودی", elem_classes="input-box")
            
            input_text = gr.Textbox(
                lines=22,
                placeholder="متن مالی/خبری را وارد کنید...",
                label="",
                elem_classes="textbox"
            )
    
    # دکمه‌های پردازش و پاک کردن
    with gr.Row():
        process_btn = gr.Button(
            "▶️ پردازش",
            variant="primary",
            size="lg",
            scale=2
        )
        
        clear_btn = gr.Button(
            "🗑️ پاک کردن",
            variant="stop",
            size="lg",
            scale=1
        )
    
    # نتایج
    gr.Markdown("## 📊 نتایج پردازش", elem_classes="input-box")
    
    with gr.Row():
        with gr.Column(scale=1):
            restored_text = gr.Textbox(
                lines=12,
                label="✅ متن بازگردانی شده",
                interactive=False,
                elem_classes="textbox"
            )
        
        with gr.Column(scale=1):
            llm_analysis = gr.Textbox(
                lines=12,
                label="🤖 تحلیل LLM",
                interactive=False,
                elem_classes="textbox"
            )
        
        with gr.Column(scale=1):
            anonymized_text = gr.Textbox(
                lines=12,
                label="🔒 متن ناشناس‌شده",
                interactive=False,
                elem_classes="textbox"
            )
    
    mapping_table = gr.Markdown(
        value="### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده",
        label="📋 جدول نگاشت",
        elem_classes="input-box"
    )
    
    
    # Event Handler برای تغییر provider
    def handle_provider_change(provider):
        models = AVAILABLE_MODELS.get(provider, [])
        default_model = models[0] if models else None
        return gr.update(choices=models, value=default_model)
    
    llm_provider.change(
        fn=handle_provider_change,
        inputs=[llm_provider],
        outputs=[llm_model]
    )
    
    def handle_select_all(select_all):
        if select_all:
            return (
                gr.update(value=False, interactive=False),
                gr.update(value=False, interactive=False),
                gr.update(value=False, interactive=False),
                gr.update(value=False, interactive=False)
            )
        else:
            return (
                gr.update(value=False, interactive=True),
                gr.update(value=False, interactive=True),
                gr.update(value=False, interactive=True),
                gr.update(value=False, interactive=True)
            )
    
    anonymize_all.change(
        fn=handle_select_all,
        inputs=[anonymize_all],
        outputs=[anonymize_person, anonymize_company, anonymize_amount, anonymize_percent]
    )
    
    # پردازش
    process_btn.click(
        fn=process,
        inputs=[
            input_text, 
            analysis_prompt, 
            llm_provider, 
            llm_model,
            anonymize_all,
            anonymize_person,
            anonymize_company,
            anonymize_amount,
            anonymize_percent,
            anonymization_method  # ✅ جدید
        ],
        outputs=[restored_text, llm_analysis, anonymized_text, mapping_table]
    )
    
    # پاک کردن
    clear_btn.click(
        fn=clear_all,
        outputs=[
            input_text, 
            analysis_prompt,
            restored_text, 
            llm_analysis, 
            anonymized_text, 
            mapping_table,
            anonymize_all,
            anonymize_person,
            anonymize_company,
            anonymize_amount,
            anonymize_percent
        ]
    )

if __name__ == "__main__":
    print("=" * 70)
    print("🚀 سیستم ناشناس‌سازی متون در حال راه‌اندازی...")
    print("=" * 70)
    print("\n📋 نحوه استفاده:\n")
    print("1. API Keyها را در Hugging Face Secrets تنظیم کنید:")
    print("   - CEREBRAS_API_KEY (برای روش Cerebras)")
    print("   - HF_TOKEN (برای استفاده از مدل Qwen)")
    print("   - OPENAI_API_KEY (برای ChatGPT)")
    print("   - XAI_API_KEY (برای Grok)")
    print("2. روش ناشناس‌سازی را انتخاب کنید (Cerebras یا Qwen)")
    print("3. مدل زبانی (ChatGPT/Grok) و نسخه مدل را انتخاب کنید")
    print("4. موجودیت‌های مورد نظر برای ناشناس‌سازی را انتخاب کنید")
    print("5. متن و دستورات پردازش را وارد کنید")
    print("6. 'پردازش' را کلیک کنید\n")
    print("=" * 70 + "\n")
    
    app.launch(
        server_name="0.0.0.0",
        server_port=7860,
        share=False,
        show_error=True
    )