import os
from textwrap import dedent
from typing import Dict, List, Optional

import gradio as gr
from dotenv import load_dotenv
from pydantic import BaseModel, Field
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.firecrawl import FirecrawlTools

load_dotenv()

# Variables d’environnement depuis Hugging Face "Secrets"
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")
os.environ["FIRECRAWL_API_KEY"] = os.getenv("FIRECRAWL_API_KEY")

# Modèle de réponse structuré
class ContentSection(BaseModel):
    heading: Optional[str] = Field(None, description="Section heading")
    content: str = Field(..., description="Section content text")

class PageInformation(BaseModel):
    url: str
    title: str
    description: Optional[str]
    features: Optional[List[str]]
    content_sections: Optional[List[ContentSection]]
    links: Optional[Dict[str, str]]
    contact_info: Optional[Dict[str, str]]
    metadata: Optional[Dict[str, str]]
    feedback: Optional[str]

# Définition de l'agent
agent = Agent(
    model=OpenAIChat(id="gpt-4.1"),
    tools=[FirecrawlTools(scrape=True, crawl=False)],
    instructions=dedent("""
        Analysez la page fournie et extrayez les informations clés en respectant ce format :
        - Lisibilité
        - Ergonomie / navigation
        - Design
        - Sécurité
        - Pertinence des rubriques
        - Améliorations à suggérer
        Soyez clair et synthétique. Résumez les parties longues.
    """).strip(),
    response_model=PageInformation,
)

# Fonction utilisée par Gradio
def analyser_page(url: str):
    prompt = (
        f"Analyse la page {url} selon les critères suivants : lisibilité, ergonomie/navigation, "
        "design, sécurité, pertinence des rubriques, améliorations à suggérer. Résume et structure la réponse."
    )
    result = agent.run(prompt)
    print("DEBUG TYPE:", type(result))
    print("DEBUG VALUE:", result)

    # Utilise le vrai contenu structuré
    content = getattr(result, "content", None)
    if hasattr(content, "dict") and callable(content.dict):
        data = content.dict()
    elif isinstance(content, dict):
        data = content
    elif isinstance(content, str):
        return f"Réponse brute :\n\n{content}"
    else:
        return f"Type inattendu pour content : {type(content)}\nValeur : {content}"

    # Construction d'un markdown structuré
    markdown = f"# Analyse de la page\n\n"
    markdown += f"**URL :** {data.get('url', url)}\n\n"
    if data.get("title"):
        markdown += f"**Titre :** {data['title']}\n\n"
    if data.get("description"):
        markdown += f"**Description :** {data['description']}\n\n"
    if data.get("features"):
        markdown += "## Fonctionnalités\n"
        for feat in data["features"]:
            markdown += f"- {feat}\n"
        markdown += "\n"
    if data.get("content_sections"):
        for section in data["content_sections"]:
            if section.get("heading"):
                markdown += f"## {section['heading']}\n"
            markdown += f"{section['content']}\n\n"
    if data.get("links"):
        markdown += "## Liens\n"
        for name, link in data["links"].items():
            markdown += f"- [{name}]({link})\n"
        markdown += "\n"
    if data.get("contact_info"):
        markdown += "## Contact\n"
        for k, v in data["contact_info"].items():
            markdown += f"- **{k}** : {v}\n"
        markdown += "\n"
    if data.get("metadata"):
        markdown += "## Métadonnées\n"
        for k, v in data["metadata"].items():
            markdown += f"- **{k}** : {v}\n"
        markdown += "\n"
    if data.get("feedback"):
        markdown += f"## Feedback\n{data['feedback']}\n"

    return markdown

# Interface Gradio
demo = gr.Interface(
    fn=analyser_page,
    inputs=gr.Textbox(label="URL à analyser", placeholder="https://www.exemple.com"),
    outputs=gr.Markdown(),  # Affichage markdown structuré
    title="🧠 Analyseur de Page Web",
    description="Entrez une URL à analyser selon des critères UX/UI.",
)

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