# Install dependensi yang dibutuhkan oleh Hugging Face Spaces
#!pip install -q gradio google-generativeai pymupdf

import gradio as gr
import google.generativeai as genai
import fitz  # PyMuPDF
import json
import os

# --- KONFIGURASI API KEY DARI HUGGING FACE SECRETS ---
API_CONFIGURED = False
try:
    api_key = os.environ.get('GEMINI_API_KEY') 
    if api_key:
        genai.configure(api_key=api_key)
        model = genai.GenerativeModel('gemini-flash-latest')
        API_CONFIGURED = True
        print("✅ Konfigurasi API dan model berhasil.")
    else:
        print("🛑 Secret 'GEMINI_API_KEY' tidak ditemukan.")
except Exception as e:
    print(f"🛑 Terjadi error saat inisialisasi: {e}")

# --- FUNGSI-FUNGSI UTAMA ---

def ekstrak_teks_dari_pdf(path_file_pdf):
    try:
        with fitz.open(path_file_pdf) as dokumen:
            teks_lengkap = "".join(halaman.get_text() for halaman in dokumen)
        return teks_lengkap
    except Exception as e:
        raise gr.Error(f"Gagal membaca file PDF: {e}")

def clean_and_parse_json(raw_text):
    """Fungsi andal untuk membersihkan dan mem-parsing JSON dari teks mentah."""
    start_index = raw_text.find('{')
    end_index = raw_text.rfind('}')
    if start_index == -1 or end_index == -1:
        raise json.JSONDecodeError("Tidak ditemukan blok JSON valid dalam respons.", raw_text, 0)
    
    json_str = raw_text[start_index:end_index+1]
    return json.loads(json_str)

def format_output_markdown(hasil_penilaian):
    """Menyusun hasil penilaian menjadi string Markdown yang rapi."""
    skor = hasil_penilaian.get('skor_keseluruhan', 0)
    penilaian = hasil_penilaian.get('penilaian_per_kategori', {})
    kelebihan = "\n".join([f"- {poin}" for poin in hasil_penilaian.get('poin_kelebihan', [])])
    perbaikan = "\n".join([f"- {poin}" for poin in hasil_penilaian.get('poin_perbaikan', [])])

    # Membuat progress bar untuk setiap kategori
    progress_bars = ""
    for kategori, nilai in penilaian.items():
        # Mengganti underscore dengan spasi dan membuat judul
        nama_kategori = kategori.replace("_", " ").title()
        progress_bars += f"**{nama_kategori}**\n`{'█' * int(nilai/10)}{'░' * (10 - int(nilai/10))}` {nilai}/100\n"
        
    return f"""
    ### HASIL PENILAIAN CV ANDA
    **⭐ Skor Keseluruhan: {skor} / 100**
    ***
    {progress_bars}
    ***
    **✅ Hal yang Sudah Baik:**
    {kelebihan}
    
    **💡 Poin yang Perlu Diperbaiki:**
    {perbaikan}
    """

def score_cv(cv_file):
    """Fungsi utama yang dijalankan Gradio untuk menilai CV."""
    if not API_CONFIGURED:
        raise gr.Error("API Key Gemini belum terkonfigurasi. Periksa Logs aplikasi di Hugging Face.")
    if cv_file is None:
        raise gr.Error("Mohon upload file CV (PDF) Anda.")

    try:
        print("--- Memulai Proses Penilaian CV ---")
        
        print("1. Mengekstrak teks dari PDF...")
        teks_cv = ekstrak_teks_dari_pdf(cv_file.name)
        if not teks_cv:
            raise gr.Error("PDF kosong atau tidak dapat dibaca.")
        print("✅ Teks berhasil diekstrak.")

        print("2. Mengirim permintaan penilaian ke Gemini...")
        prompt_penilaian = f"""
        Anda adalah seorang career coach dan perekrut profesional. Tugas Anda adalah menilai kualitas sebuah CV berdasarkan kriteria standar industri.
        
        Teks CV:
        ---
        {teks_cv}
        ---

        Lakukan penilaian berdasarkan kriteria berikut dan berikan output dalam format JSON yang ketat.
        
        Kriteria Penilaian:
        1.  Kelengkapan_Informasi (0-100): Apakah ada nama, kontak, ringkasan, pengalaman, pendidikan, dan skill?
        2.  Keterbacaan_dan_Format (0-100): Apakah formatnya rapi, mudah dibaca, dan menggunakan bullet points dengan baik?
        3.  Dampak_Pengalaman_Kerja (0-100): Apakah deskripsi pengalaman menggunakan kata kerja aktif dan hasil yang terukur (angka/metrik)? Semakin banyak metrik, semakin tinggi nilainya.
        
        Instruksi Output JSON:
        Berikan output dalam format JSON dengan struktur berikut:
        - "skor_keseluruhan": Rata-rata dari ketiga skor kategori (angka 0-100).
        - "penilaian_per_kategori": Objek berisi skor untuk "kelengkapan_informasi", "keterbacaan_dan_format", dan "dampak_pengalaman_kerja".
        - "poin_kelebihan": Sebuah array (list) berisi 2-3 poin positif dari CV ini.
        - "poin_perbaikan": Sebuah array (list) berisi 3-4 poin saran yang paling penting dan actionable untuk meningkatkan kualitas CV.
        
        Pastikan output hanya berupa JSON saja tanpa teks tambahan.
        """
        response = model.generate_content(prompt_penilaian)
        hasil_penilaian = clean_and_parse_json(response.text)
        print("✅ Penilaian berhasil diterima.")

        print("3. Menyusun output akhir...")
        final_output = format_output_markdown(hasil_penilaian)
        print("--- Proses Selesai ---")
        return final_output

    except Exception as e:
        print(f"🛑 ERROR DALAM FUNGSI PENILAIAN: {e}")
        raise gr.Error(f"Terjadi kesalahan: {e}")

# --- MEMBUAT INTERFACE GRADIO ---
with gr.Blocks(theme=gr.themes.Soft()) as demo:
    gr.Markdown("# 💡 Aplikasi Penilai Kualitas CV (CV Scorer)")
    gr.Markdown("Upload CV Anda dalam format PDF untuk mendapatkan skor dan saran perbaikan instan berdasarkan standar industri.")
    
    with gr.Row():
        with gr.Column(scale=1):
            cv_pdf = gr.File(label="Upload CV Anda (PDF)", file_types=[".pdf"])
            score_button = gr.Button("✨ Nilai CV Saya", variant="primary")
        
        with gr.Column(scale=2):
            output_score = gr.Markdown(label="Hasil Penilaian")
            
    score_button.click(
        fn=score_cv,
        inputs=[cv_pdf],
        outputs=[output_score],
        show_progress='full'
    )

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