Spaces:

imamsaid
/

educonnect-api

Sleeping

File size: 11,584 Bytes








# # version update
# import os
# import pickle
# import threading
# from flask import Flask, request, jsonify
# from flask_cors import CORS
# from supabase import create_client, Client
# from sentence_transformers import SentenceTransformer
# from sklearn.metrics.pairwise import cosine_similarity
# import resend

# app = Flask(__name__)
# CORS(app) 

# # ==========================================
# # ⚠️ CONFIGURATION (À VÉRIFIER)
# # ==========================================
# SUPABASE_URL = "https://dvddftdtrkidsulcxaqp.supabase.co"
# SUPABASE_KEY = "sb_secret_CoFpwT9q6IrR-lfzjXynKg_DCoyB8F0" #
# resend.api_key = "re_CYUPs5Nt_A3L3t2EDX1UT5JbBLLycqTHM"     #

# supabase: Client = create_client(SUPABASE_URL, SUPABASE_KEY)

# print("⏳ Chargement du modèle IA...")
# model_ia = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2') #

# def load_vectors():
#     with open("opportunities_vectors.pkl", "rb") as f: #
#         return pickle.load(f)

# vector_data = load_vectors()

# # 📧 Notification Email en Arrière-plan
# def send_email_background(nom, email, domaine, opportunites):
#     # C'est cette ligne qui définit le nom vu par l'utilisateur
#     # sender_email = "EduConnect Afrika <contact@educonnectafrika.com>"
#     sender_email = "EduConnect Afrika <contact@afriaisolutions.com>"

    
#     bourses_html = "".join([
#         f"<li style='margin-bottom: 10px;'><strong>[{b.get('type', 'Opportunité')}] {b.get('titre', '')}</strong> - 📍 {b.get('pays', 'En ligne')}</li>" 
#         for b in opportunites
#     ])

#     try:
#         resend.Emails.send({
#             "from": sender_email,
#             "to": email,
#             "subject": f"🎯 Vos opportunités en {domaine} sont prêtes !",
#             "html": f"""
#                 <div style="font-family: Arial, sans-serif; border: 1px solid #e2e8f0; padding: 25px; border-radius: 20px; max-width: 600px; color: #1e293b;">
#                     <h2 style="color: #1e40af;">Félicitations {nom} !</h2>
#                     <p>Notre IA a analysé votre profil. Voici les meilleures opportunités pour vous :</p>
#                     <ul style="background-color: #f8fafc; padding: 20px; border-radius: 12px; list-style-type: none;">
#                         {bourses_html}
#                     </ul>
#                     <p>Accédez à votre espace pour postuler :</p>
#                     <div style="text-align: center; margin: 30px 0;">
#                         <a href="http://localhost:8080" style="background-color: #2563eb; color: white; padding: 12px 25px; text-decoration: none; border-radius: 10px; font-weight: bold;">Accéder au Dashboard</a>
#                     </div>
#                     <hr style="border: 0; border-top: 1px solid #e2e8f0; margin: 20px 0;">
#                     <p style="font-size: 11px; color: #64748b; text-align: center;">
#                         <strong>EduConnect Afrika</strong><br>
#                         L'avenir de l'orientation académique en Afrique.<br>
#                         Responsable : Lauryane
#                     </p>
#                 </div>
#             """
#         })
#         print(f"✅ Email envoyé avec succès via EduConnect à {email}")
#     except Exception as e:
#         print(f"❌ Erreur d'envoi : {e}")

# @app.route('/api/recommend', methods=['POST'])
# def get_recommendations():
#     data = request.json
#     user_id = data.get('user_id')

#     try:
#         # 1. Profil utilisateur
#         res_profile = supabase.table('profiles').select('*').eq('user_id', user_id).execute()
#         if not res_profile.data: return jsonify({"error": "Profil introuvable"}), 404
            
#         user = res_profile.data[0]
#         filiere = user.get('filiere') or "votre domaine"
#         nom_etudiant = user.get('name') or "Étudiant"
#         email_etudiant = user.get('email')

#         # 2. Vectorisation du profil
#         profil_text = f"Niveau: {user.get('niveau')}. Domaine: {filiere}. Intérêts: {user.get('interets')}."
#         user_vector = model_ia.encode([profil_text])

#         # 3. Similarité et Scoring
#         similarities = cosine_similarity(user_vector, vector_data["vectors"])[0]
#         top_indices = similarities.argsort()[-15:][::-1] # On prend un peu plus pour mixer
        
#         scores_dict = {int(vector_data["ids"][idx]): min(0.99, float(similarities[idx]) + 0.35) for idx in top_indices}

#         # 4. Récupération unifiée des opportunités
#         top_ids = list(scores_dict.keys())
#         res_opps = supabase.table('opportunities').select('*').in_('id', top_ids).execute()
        
#         recommandations = []
#         for opp in res_opps.data:
#             opp['score_ia'] = scores_dict[opp['id']]
#             recommandations.append(opp)

#         # Tri final par score
#         recommandations = sorted(recommandations, key=lambda x: x['score_ia'], reverse=True)

#         # 🚀 5. Email en arrière-plan
#         if email_etudiant:
#             thread = threading.Thread(target=send_email_background, args=(nom_etudiant, email_etudiant, filiere, recommandations[:3]))
#             thread.start()

#         return jsonify({"status": "success", "recommandations": recommandations})

#     except Exception as e:
#         print(f"❌ Erreur: {e}")
#         return jsonify({"error": str(e)}), 500

# if __name__ == '__main__':
#     app.run(port=5000, debug=True)






# code pour la prod
# version update - Sécurisée pour Hugging Face Spaces
import os
import pickle
import threading
from flask import Flask, request, jsonify
from flask_cors import CORS
from supabase import create_client, Client
from sentence_transformers import SentenceTransformer
from sklearn.metrics.pairwise import cosine_similarity
import resend

app = Flask(__name__)
@app.route('/')
def home():
    return jsonify({
        "status": "online",
        "message": "EduConnect Afrika API is running successfully!",
        "version": "1.0.0"
    })
# Autorise ton frontend Vercel à appeler cette API
CORS(app) 

# ==========================================
# 🔐 CONFIGURATION SÉCURISÉE (VIA SECRETS HF)
# ==========================================
# On récupère les clés depuis l'environnement du serveur
SUPABASE_URL = os.getenv("SUPABASE_URL")
SUPABASE_KEY = os.getenv("SUPABASE_KEY")
resend.api_key = os.getenv("RESEND_API_KEY")

# Vérification au démarrage pour éviter les crashs silencieux
if not SUPABASE_URL or not SUPABASE_KEY:
    print("❌ ERREUR : Les variables d'environnement Supabase sont manquantes !")

supabase: Client = create_client(SUPABASE_URL, SUPABASE_KEY)

print("⏳ Chargement du modèle IA (paraphrase-multilingual)...")
model_ia = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

def load_vectors():
    try:
        with open("opportunities_vectors.pkl", "rb") as f:
            return pickle.load(f)
    except FileNotFoundError:
        print("❌ ERREUR : Le fichier opportunities_vectors.pkl est introuvable !")
        return None

vector_data = load_vectors()

# 📧 Notification Email en Arrière-plan
def send_email_background(nom, email, domaine, opportunites):
    # Expéditeur utilisant ton domaine afriaisolutions.com validé sur Resend
    sender_email = "EduConnect Afrika <contact@afriaisolutions.com>"
    
    bourses_html = "".join([
        f"<li style='margin-bottom: 10px;'><strong>[{b.get('type', 'Opportunité')}] {b.get('titre', '')}</strong> - 📍 {b.get('pays', 'En ligne')}</li>" 
        for b in opportunites
    ])

    try:
        resend.Emails.send({
            "from": sender_email,
            "to": email,
            "subject": f"🎯 Vos opportunités en {domaine} sont prêtes !",
            "html": f"""
                <div style="font-family: Arial, sans-serif; border: 1px solid #e2e8f0; padding: 25px; border-radius: 20px; max-width: 600px; color: #1e293b;">
                    <h2 style="color: #1e40af;">Félicitations {nom} !</h2>
                    <p>Notre IA a analysé votre profil. Voici les meilleures opportunités pour vous :</p>
                    <ul style="background-color: #f8fafc; padding: 20px; border-radius: 12px; list-style-type: none;">
                        {bourses_html}
                    </ul>
                    <p>Accédez à votre espace pour postuler :</p>
                    <div style="text-align: center; margin: 30px 0;">
                        <a href="https://app.educonnectafrika.com" style="background-color: #2563eb; color: white; padding: 12px 25px; text-decoration: none; border-radius: 10px; font-weight: bold;">Accéder au Dashboard</a>
                    </div>
                    <hr style="border: 0; border-top: 1px solid #e2e8f0; margin: 20px 0;">
                    <p style="font-size: 11px; color: #64748b; text-align: center;">
                        <strong>EduConnect Afrika</strong><br>
                        L'avenir de l'orientation académique en Afrique.<br>
                        Responsable : Lauryane
                    </p>
                </div>
            """
        })
        print(f"✅ Email envoyé avec succès à {email}")
    except Exception as e:
        print(f"❌ Erreur d'envoi Resend : {e}")

@app.route('/api/recommend', methods=['POST'])
def get_recommendations():
    data = request.json
    user_id = data.get('user_id')

    if not user_id:
        return jsonify({"error": "user_id manquant"}), 400

    try:
        # 1. Récupération du profil
        res_profile = supabase.table('profiles').select('*').eq('user_id', user_id).execute()
        if not res_profile.data: 
            return jsonify({"error": "Profil introuvable"}), 404
            
        user = res_profile.data[0]
        filiere = user.get('filiere') or "votre domaine"
        nom_etudiant = user.get('name') or "Étudiant"
        email_etudiant = user.get('email')

        # 2. Vectorisation du profil utilisateur
        profil_text = f"Niveau: {user.get('niveau')}. Domaine: {filiere}. Intérêts: {user.get('interets')}."
        user_vector = model_ia.encode([profil_text])

        # 3. Calcul de similarité (Cosine Similarity)
        similarities = cosine_similarity(user_vector, vector_data["vectors"])[0]
        top_indices = similarities.argsort()[-15:][::-1] 
        
        # Scoring IA ajusté
        scores_dict = {int(vector_data["ids"][idx]): min(0.99, float(similarities[idx]) + 0.35) for idx in top_indices}

        # 4. Récupération des données depuis Supabase
        top_ids = list(scores_dict.keys())
        res_opps = supabase.table('opportunities').select('*').in_('id', top_ids).execute()
        
        recommandations = []
        for opp in res_opps.data:
            opp['score_ia'] = scores_dict[opp['id']]
            recommandations.append(opp)

        # Tri final par score décroissant
        recommandations = sorted(recommandations, key=lambda x: x['score_ia'], reverse=True)

        # 🚀 5. Notification Email (Asynchrone via Threading)
        if email_etudiant:
            thread = threading.Thread(target=send_email_background, args=(nom_etudiant, email_etudiant, filiere, recommandations[:3]))
            thread.start()

        return jsonify({"status": "success", "recommandations": recommandations})

    except Exception as e:
        print(f"❌ Erreur API : {e}")
        return jsonify({"error": str(e)}), 500

if __name__ == '__main__':
    # Configuration obligatoire pour Hugging Face Spaces (Port 7860)
    app.run(host='0.0.0.0', port=7860, debug=False)