import os
import sqlite3
import pandas as pd
from dotenv import load_dotenv
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain.embeddings import HuggingFaceEmbeddings
from langchain_openai import ChatOpenAI
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory
import gradio as gr

# Carrega chave da API
load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("OPENROUTER_API_KEY")
os.environ["OPENAI_API_BASE"] = "https://openrouter.ai/api/v1"

# Carrega e divide o PDF
loader = PyPDFLoader("apostila_python.pdf")
docs = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
documents = text_splitter.split_documents(docs)

# Cria embeddings com modelo local (sem necessidade de API)
embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
vectordb = FAISS.from_documents(documents, embeddings)
retriever = vectordb.as_retriever()

# Cria banco de dados SQLite se não existir
conn = sqlite3.connect("historico_conversas.db")
cursor = conn.cursor()
cursor.execute('''
CREATE TABLE IF NOT EXISTS conversas (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    aluno TEXT,
    pergunta TEXT,
    resposta TEXT,
    timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
)
''')
conn.commit()
conn.close()

# LLM da OpenRouter
llm = ChatOpenAI(model="deepseek/deepseek-r1:free", temperature=0.4)

# Memória da conversa
memoria = ConversationBufferMemory(memory_key="chat_history", return_messages=True, output_key="answer")

# Cadeia com recuperação de contexto e memória
qa_chain = ConversationalRetrievalChain.from_llm(
    llm=llm,
    retriever=retriever,
    memory=memoria,
    return_source_documents=True,
    output_key="answer"
)

# Função para salvar no banco
def salvar_conversa(nome, pergunta, resposta):
    conn = sqlite3.connect("historico_conversas.db")
    cursor = conn.cursor()
    cursor.execute("INSERT INTO conversas (aluno, pergunta, resposta) VALUES (?, ?, ?)",
                   (nome or "Anônimo", pergunta, resposta))
    conn.commit()
    conn.close()

# Função para responder usando o PDF e memória
def responder(pergunta, nome):
    try:
        resultado = qa_chain.invoke({"question": pergunta})
        resposta = resultado["answer"]
        fontes = resultado.get("source_documents", [])

        # Fallback se nenhuma fonte relevante for encontrada
        if not fontes or all(len(doc.page_content.strip()) == 0 for doc in fontes):
            resposta = llm.invoke(pergunta)

        salvar_conversa(nome, pergunta, resposta)
        return resposta

    except Exception as e:
        import traceback
        return f"❌ Erro:\n{traceback.format_exc()}"

# Resetar memória
def resetar_memoria():
    memoria.clear()
    return "✅ Memória resetada com sucesso!"

# Exportar conversas para arquivos
def exportar_conversas():
    conn = sqlite3.connect("historico_conversas.db")
    df = pd.read_sql_query("SELECT * FROM conversas ORDER BY timestamp DESC", conn)
    df.to_csv("conversas_exportadas.csv", index=False)
    df.to_excel("conversas_exportadas.xlsx", index=False, engine="openpyxl")
    conn.close()
    return "✅ Arquivos 'conversas_exportadas.csv' e 'conversas_exportadas.xlsx' foram salvos!"

# Interface Gradio
with gr.Blocks() as app:
    gr.Markdown("## 🤖 Tutor de Python com IA + Apostila PDF + Histórico em BD")
    nome = gr.Textbox(label="Seu nome (opcional)", placeholder="Ex: João")
    pergunta = gr.Textbox(label="Sua dúvida sobre Python", placeholder="Ex: Como usar listas em Python?")
    resposta = gr.Textbox(label="Resposta do Assistente")

    botao_enviar = gr.Button("Enviar")
    botao_resetar = gr.Button("🔁 Resetar Memória")
    botao_exportar = gr.Button("📤 Exportar Histórico")

    botao_enviar.click(fn=responder, inputs=[pergunta, nome], outputs=resposta)
    botao_resetar.click(fn=resetar_memoria, outputs=resposta)
    botao_exportar.click(fn=exportar_conversas, outputs=resposta)

app.launch(share=True)