#!/usr/bin/env python3
"""
Point d'entrée du serveur ariadne — External Recommender pour INCEpTION.

Ce script :
1. Instancie le classifier GLiNER (charge le modèle en mémoire)
2. Crée un Server() ariadne (= application Flask)
3. Enregistre le classifier sous le nom "gliner_ner"
4. Lance Flask sur le port 7860 (compatible HuggingFace Spaces)

Endpoints auto-générés par ariadne :
  POST /gliner_ner/predict  → suggestions NER
  POST /gliner_ner/train    → entraînement (non implémenté)

Dans INCEpTION :
  Settings → Recommenders → Create
  Tool         : External Recommender
  Endpoint URL : http://<host>:7860/gliner_ner
"""

import logging
import os

from ariadne.server import Server
from gliner_classifier import GlinerClassifier

logging.basicConfig(
    format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
    level=logging.INFO,
)
logger = logging.getLogger(__name__)

# Port : 7860 pour HuggingFace Spaces, modifiable via variable d'env
PORT = int(os.environ.get("PORT", 7860))
HOST = "0.0.0.0"


def main():
    logger.info("=" * 65)
    logger.info("  Chargement du modèle GLiNER...")
    logger.info("=" * 65)

    # Instancier le classifier (charge GLiNER en mémoire)
    classifier = GlinerClassifier()

    # Créer le serveur ariadne (Flask)
    server = Server()
    server.add_classifier("gliner_ner", classifier)

    logger.info("")
    logger.info("=" * 65)
    logger.info("  Serveur ariadne — External Recommender pour INCEpTION")
    logger.info("=" * 65)
    logger.info(f"  Adresse : http://{HOST}:{PORT}")
    logger.info(f"")
    logger.info(f"  Endpoints :")
    logger.info(f"    POST /gliner_ner/predict")
    logger.info(f"    POST /gliner_ner/train")
    logger.info(f"")
    logger.info(f"  INCEpTION → Settings → Recommenders → Create :")
    logger.info(f"    Tool         : External Recommender")
    logger.info(f"    Endpoint URL : http://<host>:{PORT}/gliner_ner")
    logger.info("=" * 65)

    # Lancer Flask
    server.start(host=HOST, port=PORT)


if __name__ == "__main__":
    main()