app.py

import gradio as gr
import re
import os
import requests
import json
import logging
from typing import Dict, List, Tuple
from llm_sender_unified import create_llm_sender, AVAILABLE_MODELS  # ✅ import ماژول جدید

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

class AnonymizerAdvanced:
    """ناشناس‌ساز پیشرفته با روش‌های متعدد"""
    
    def __init__(self, cerebras_key: str = None, llm_provider: str = "chatgpt", llm_model: str = None):
        self.cerebras_key = cerebras_key or os.getenv("CEREBRAS_API_KEY")
        self.llm_provider = llm_provider
        self.llm_model = llm_model
        self.mapping_table = {}  # {placeholder: original_text}
        self.reverse_mapping = {}  # {original_text: placeholder}
        
        # ✅ ایجاد LLM sender بر اساس provider انتخابی
        self._create_llm_sender()
        
        logger.info(f"✅ Anonymizer Advanced مقداردهی شد با {llm_provider}")
    
    def _create_llm_sender(self):
        """ایجاد LLM sender مناسب"""
        try:
            # گرفتن API key مناسب
            if self.llm_provider == "chatgpt":
                api_key = os.getenv("OPENAI_API_KEY")
            elif self.llm_provider == "grok":
                api_key = os.getenv("XAI_API_KEY")
            else:
                api_key = None
            
            # ایجاد sender
            self.llm_sender = create_llm_sender(
                provider=self.llm_provider,
                api_key=api_key,
                model=self.llm_model
            )
            
            logger.info(f"✅ LLM Sender ایجاد شد: {self.llm_provider} - {self.llm_sender.model}")
            
        except Exception as e:
            logger.error(f"❌ خطا در ایجاد LLM Sender: {e}")
            # fallback to ChatGPT
            self.llm_sender = create_llm_sender("chatgpt")

    def set_llm_provider(self, provider: str, model: str = None):
        """تغییر provider و مدل LLM"""
        self.llm_provider = provider
        self.llm_model = model
        self._create_llm_sender()
        logger.info(f"✅ LLM تغییر یافت به: {provider} - {model}")

    def anonymize_with_cerebras(self, text: str) -> Tuple[str, Dict]:
        """ناشناس‌سازی با Cerebras - دریافت mapping از مدل"""
        logger.info("🧠 روش Cerebras...")
        
        if not self.cerebras_key:
            logger.error("❌ Cerebras API Key موجود نیست")
            raise ValueError("Cerebras API Key مورد نیاز است")
        
        try:
            # مرحله 1: ناشناس‌سازی متن
            prompt1 = f"""متن زیر را ناشناس کنید. قوانین:
1. اسامی اشخاص → person-01, person-02, ...
2. نام شرکت‌ها/سازمان‌ها → company-01, company-02, ...
3. مقادیر پولی → amount-01, amount-02, ...
4. درصدها → percent-01, percent-02, ...
5. فقط این توکن‌ها استفاده کنید
6. شماره‌های نسخه را درست حفظ کنید
7. اگر موجودیت تکرار شود از شماره قدیمی استفاده کنید

متن:
{text}

خروجی: فقط متن ناشناس شده"""
            
            response1 = requests.post(
                "https://api.cerebras.ai/v1/chat/completions",
                headers={
                    "Authorization": f"Bearer {self.cerebras_key}",
                    "Content-Type": "application/json"
                },
                json={
                    "model": "llama-3.3-70b",
                    "messages": [{"role": "user", "content": prompt1}],
                    "max_tokens": 4096,
                    "temperature": 0.1
                },
                timeout=60
            )
            
            if response1.status_code != 200:
                logger.error(f"❌ Cerebras Error: {response1.status_code}")
                raise Exception(f"Cerebras API Error: {response1.status_code}")
            
            anonymized_text = response1.json()['choices'][0]['message']['content'].strip()
            logger.info("✅ Cerebras: ناشناس‌سازی موفق")
            
            # مرحله 2: استخراج mapping از مدل
            prompt2 = f"""متن اصلی:
{text}

متن ناشناس شده:
{anonymized_text}

لطفاً یک جدول mapping برای همه توکن‌های ناشناس ایجاد کن.
برای هر توکن، متن اصلی کامل آن را مشخص کن.

**مهم:** 
- برای person-XX: نام کامل شخص (مثلاً "علی احمدی")
- برای company-XX: نام کامل شرکت/سازمان (مثلاً "شرکت پتروشیمی")
- برای amount-XX: عدد + واحد (مثلاً "80 هزار تومان" یا "50 میلیارد ریال")
- برای percent-XX: عدد + کلمه "درصد" (مثلاً "40 درصد" نه فقط "40")

خروجی را به این فرمت JSON بده (فقط JSON، بدون توضیح اضافی):
{{
  "person-01": "متن اصلی کامل",
  "company-01": "متن اصلی کامل",
  "amount-01": "متن اصلی کامل با واحد",
  "percent-01": "عدد + درصد",
  ...
}}"""
            
            response2 = requests.post(
                "https://api.cerebras.ai/v1/chat/completions",
                headers={
                    "Authorization": f"Bearer {self.cerebras_key}",
                    "Content-Type": "application/json"
                },
                json={
                    "model": "llama-3.3-70b",
                    "messages": [{"role": "user", "content": prompt2}],
                    "max_tokens": 2048,
                    "temperature": 0.1
                },
                timeout=60
            )
            
            if response2.status_code == 200:
                mapping_text = response2.json()['choices'][0]['message']['content'].strip()
                
                # پاک‌سازی و parse کردن JSON
                # حذف markdown code blocks اگر وجود داشته باشه
                mapping_text = mapping_text.replace('```json', '').replace('```', '').strip()
                
                try:
                    self.mapping_table = json.loads(mapping_text)
                    
                    # پست-پروسسینگ: اصلاح mapping برای percent ها
                    self._fix_percent_mapping()
                    
                    # ساخت reverse mapping
                    self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
                    logger.info(f"✅ Mapping استخراج شد: {len(self.mapping_table)} موجودیت")
                except json.JSONDecodeError:
                    logger.warning("⚠️ خطا در parse کردن JSON mapping - استفاده از روش fallback")
                    self._extract_mapping_from_text(text, anonymized_text)
            else:
                logger.warning("⚠️ خطا در دریافت mapping - استفاده از روش fallback")
                self._extract_mapping_from_text(text, anonymized_text)
            
            return anonymized_text, self.mapping_table
                
        except Exception as e:
            logger.error(f"❌ Cerebras Exception: {e}")
            raise
    
    def _fix_percent_mapping(self):
        """اصلاح mapping برای درصدها و مقادیر - اضافه کردن واحدها اگر فقط عدد باشد"""
        for token, value in self.mapping_table.items():
            value_str = str(value).strip()
            
            if token.startswith('percent-'):
                # چک کنیم آیا کلمه "درصد" یا "%" در value هست
                if not re.search(r'(درصد|%|درصدی)', value_str):
                    # فقط عدد هست، کلمه "درصد" رو اضافه کن
                    self.mapping_table[token] = f"{value_str} درصد"
                    logger.info(f"✅ اصلاح {token}: '{value_str}' → '{value_str} درصد'")
            
            elif token.startswith('amount-'):
                # چک کنیم آیا واحد پولی در value هست
                if not re.search(r'(میلیارد|میلیون|هزار|تومان|ریال|دلار|یورو|تن)', value_str):
                    # فقط عدد هست، احتمالاً باید واحد اضافه بشه
                    # اما نمی‌دونیم چه واحدی، پس warning بده
                    logger.warning(f"⚠️ {token}: فقط عدد '{value_str}' - واحد مشخص نیست")

    def _extract_mapping_from_text(self, original: str, anonymized: str):
        """استخراج mapping از متن‌های اصلی و ناشناس شده - نسخه بهبود یافته"""
        
        # استخراج همه توکن‌های ناشناس از متن ناشناس‌سازی شده
        all_tokens = []
        for entity_type in ['person', 'company', 'amount', 'percent']:
            tokens = re.findall(f'{entity_type}-\\d+', anonymized)
            all_tokens.extend([(t, entity_type) for t in tokens])
        
        # حذف تکراری‌ها و مرتب‌سازی
        all_tokens = sorted(set(all_tokens), key=lambda x: (x[1], int(x[0].split('-')[1])))
        
        # الگوهای موجودیت در متن اصلی
        patterns = {
            'person': r'\b[ء-ي]+\s+[ء-ي]+(?:\s+[ء-ي]+)*\b',
            'company': r'(?:شرکت|بانک|سازمان|گروه|هلدینگ)\s+[ء-ي]+(?:\s+[ء-ي]+)*',
            'amount': r'\d+(?:\.\d+)?\s*(?:میلیارد|میلیون|هزار|تومان|ریال|دلار|یورو|تن)',
            'percent': r'\d+(?:\.\d+)?\s*(?:درصد|%|درصدی)',
        }
        
        # استخراج موجودیت‌های اصلی
        original_entities = {}
        for entity_type, pattern in patterns.items():
            matches = list(re.finditer(pattern, original))
            original_entities[entity_type] = [m.group().strip() for m in matches]
        
        # نگاشت توکن‌ها به موجودیت‌های اصلی
        for token, entity_type in all_tokens:
            if entity_type in original_entities and original_entities[entity_type]:
                # گرفتن شماره توکن (مثلاً از person-01 عدد 1 رو میگیریم)
                token_num = int(token.split('-')[1]) - 1
                
                if token_num < len(original_entities[entity_type]):
                    original_text = original_entities[entity_type][token_num]
                    self.mapping_table[token] = original_text
                    self.reverse_mapping[original_text] = token
                else:
                    # اگر شماره توکن بیشتر از تعداد موجودیت‌ها بود
                    # از آخرین موجودیت استفاده کن
                    original_text = original_entities[entity_type][-1]
                    if token not in self.mapping_table:
                        self.mapping_table[token] = original_text
                        self.reverse_mapping[original_text] = token
    
    def analyze_with_llm(self, anonymized_text: str, analysis_prompt: str = None) -> str:
        """
        ✅ استفاده از LLM یکپارچه (ChatGPT یا Grok)
        اجرای پرامپت‌های درون متن ناشناس‌سازی شده
        """
        logger.info(f"🤖 {self.llm_provider.upper()} اجرای پرامپت...")
        
        # اگر پرامپتی نیست، فقط متن ناشناس‌سازی شده برگردان
        if not analysis_prompt or not analysis_prompt.strip():
            logger.info("⚠️  پرامپت خالی - بدون تحلیل")
            return "⚠️ هیچ دستور تحلیل داده نشده است"
        
        # ترکیب متن ناشناس‌سازی شده + پرامپت کاربر
        combined_text = f"""متن ناشناس‌سازی شده:
{anonymized_text}

دستورات:
{analysis_prompt}

توجه: در پاسخ از همان کدهای ناشناس (person-XX, company-XX, amount-XX, percent-XX) استفاده کن."""
        
        try:
            # ✅ ارسال به LLM انتخابی
            response = self.llm_sender.send_simple(combined_text, lang='fa')
            
            logger.info(f"✅ {self.llm_provider.upper()}: {len(response)} کاراکتر")
            return response
            
        except Exception as e:
            logger.error(f"❌ {self.llm_provider.upper()} Exception: {e}")
            return f"❌ خطا در ارتباط با {self.llm_provider.upper()}: {str(e)}"
    
    def restore_text(self, anonymized_text: str) -> str:
        """بازگردانی متن ناشناس‌سازی شده به اصلی"""
        logger.info("🔄 بازگردانی متن...")
        
        if not self.mapping_table:
            logger.warning("⚠️ جدول نگاشت خالی است")
            return anonymized_text
        
        restored = anonymized_text
        
        # جایگزینی placeholder ها با متن اصلی
        for placeholder, original in sorted(self.mapping_table.items()):
            restored = restored.replace(placeholder, original)
        
        logger.info("✅ بازگردانی کامل")
        return restored
    
    def get_mapping_table_md(self) -> str:
        """تبدیل جدول نگاشت به Markdown"""
        if not self.mapping_table:
            return "### 📋 جدول نگاشت\n\nهیچ موجودیتی شناسایی نشد"
        
        table = "### 📋 جدول نگاشت\n\n"
        table += "| شناسه | متن اصلی |\n"
        table += "|-------|----------|\n"
        
        for token, original in sorted(self.mapping_table.items()):
            table += f"| **{token}** | {original} |\n"
        
        return table

# متغیر سراسری
anonymizer = None

def process(
    input_text: str, 
    analysis_prompt: str, 
    llm_provider: str, 
    llm_model: str
):
    """پردازش متن - 4 مرحله"""
    global anonymizer
    
    if not input_text.strip():
        return "", "", "", ""
    
    cerebras_key = os.getenv("CEREBRAS_API_KEY")
    
    # ✅ ایجاد یا آپدیت anonymizer با provider و model جدید
    if not anonymizer:
        anonymizer = AnonymizerAdvanced(
            cerebras_key, 
            llm_provider=llm_provider,
            llm_model=llm_model
        )
    else:
        # آپدیت provider و model
        anonymizer.set_llm_provider(llm_provider, llm_model)
        anonymizer.mapping_table = {}
        anonymizer.reverse_mapping = {}
    
    try:
        logger.info("=" * 70)
        logger.info(f"🚀 شروع پردازش - LLM: {llm_provider} ({llm_model})")
        logger.info("=" * 70)
        
        # مرحله 1: ناشناس‌سازی
        logger.info("📝 مرحله 1: ناشناس‌سازی...")
        anonymized_text, _ = anonymizer.anonymize_with_cerebras(input_text)
        logger.info(f"✅ ناشناس‌سازی: {len(anonymized_text)} کاراکتر")
        
        # مرحله 2: LLM با متن ناشناس‌سازی شده + دستورات
        logger.info(f"🤖 مرحله 2: {llm_provider.upper()}...")
        llm_response = anonymizer.analyze_with_llm(anonymized_text, analysis_prompt)
        logger.info(f"✅ {llm_provider.upper()}: {len(llm_response)} کاراکتر")
        
        # مرحله 3: بازگردانی پاسخ LLM
        logger.info("🔄 مرحله 3: بازگردانی...")
        restored_text = anonymizer.restore_text(llm_response)
        logger.info("✅ بازگردانی کامل")
        
        # مرحله 4: جدول نگاشت
        logger.info("📋 مرحله 4: جدول نگاشت...")
        mapping_str = anonymizer.get_mapping_table_md()
        logger.info(f"✅ {len(anonymizer.mapping_table)} موجودیت")
        
        logger.info("=" * 70)
        logger.info("✅ تمام مراحل کامل!")
        logger.info("=" * 70)
        
        return restored_text, llm_response, anonymized_text, mapping_str
        
    except Exception as e:
        logger.error(f"❌ خطا: {str(e)}", exc_info=True)
        return "", f"❌ خطا: {str(e)}", "", ""

def clear_all():
    """پاک کردن همه"""
    return "", "", "", "", "", ""

def update_model_choices(provider: str):
    """آپدیت لیست مدل‌ها بر اساس provider انتخابی"""
    models = AVAILABLE_MODELS.get(provider, [])
    return gr.Dropdown(choices=models, value=models[0] if models else None)

# Gradio Interface
css_rtl = """
.input-box { direction: rtl; text-align: right; }
.textbox textarea { direction: rtl; text-align: right; font-family: 'Tahoma', serif; }
"""

with gr.Blocks(title="سیستم ناشناس‌سازی متون", theme=gr.themes.Soft(), css=css_rtl) as app:
    
    gr.Markdown("# 🔐 سیستم ناشناس‌سازی متون مالی فارسی", elem_classes="input-box")
    
    # ============================================
    # صفحه اول: دکمه‌ها (راست) + ورودی (چپ)
    # ============================================
    with gr.Row():
        # سمت راست: دکمه‌ها و دستورات
        with gr.Column(scale=1):
            # ✅ انتخاب LLM Provider
            with gr.Group():
                gr.Markdown("### ⚙️ تنظیمات مدل", elem_classes="input-box")
                
                llm_provider = gr.Dropdown(
                    choices=["chatgpt", "grok"],
                    value="chatgpt",
                    label="🤖 انتخاب LLM",
                    interactive=True
                )
                
                llm_model = gr.Dropdown(
                    choices=AVAILABLE_MODELS["chatgpt"],
                    value="gpt-4o-mini",
                    label="📦 انتخاب مدل",
                    interactive=True
                )
            
            gr.Markdown("---")
            
            analysis_prompt = gr.Textbox(
                lines=6,
                placeholder="مثال: این متن را خلاصه کن\nیا: نکات کلیدی را استخراج کن",
                label="📋 دستورات LLM (اختیاری)",
                elem_classes="textbox"
            )
            
            gr.Markdown("---")
            
            with gr.Column():
                process_btn = gr.Button(
                    "▶️ پردازش",
                    variant="primary",
                    size="lg"
                )
                
                clear_btn = gr.Button(
                    "🗑️ پاک کردن",
                    variant="stop",
                    size="lg"
                )
        
        # سمت چپ: متن ورودی (بزرگ‌تر)
        with gr.Column(scale=3):
            input_text = gr.Textbox(
                lines=18,
                placeholder="متن مالی/خبری را وارد کنید...",
                label="📝 متن ورودی",
                elem_classes="textbox"
            )
    
    # ============================================
    # صفحه دوم: 3 باکس نتایج (وسط)
    # ============================================
    gr.Markdown("---")
    gr.Markdown("## 📊 نتایج پردازش", elem_classes="input-box")
    
    with gr.Row():
        # باکس 1: متن بازگردانی شده (راست)
        with gr.Column(scale=1):
            restored_text = gr.Textbox(
                lines=12,
                label="✅ متن بازگردانی شده",
                interactive=False,
                elem_classes="textbox"
            )
        
        # باکس 2: تحلیل LLM (وسط)
        with gr.Column(scale=1):
            llm_analysis = gr.Textbox(
                lines=12,
                label="🤖 تحلیل LLM",
                interactive=False,
                elem_classes="textbox"
            )
        
        # باکس 3: متن ناشناس‌شده (چپ)
        with gr.Column(scale=1):
            anonymized_text = gr.Textbox(
                lines=12,
                label="🔒 متن ناشناس‌شده",
                interactive=False,
                elem_classes="textbox"
            )
    
    # ============================================
    # پایین: جدول نگاشت (Markdown)
    # ============================================
    gr.Markdown("---")
    
    mapping_table = gr.Markdown(
        value="### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده",
        label="📋 جدول نگاشت",
        elem_classes="input-box"
    )
    
    # ============================================
    # Event Handlers
    # ============================================
    
    # ✅ آپدیت مدل‌ها هنگام تغییر provider
    llm_provider.change(
        fn=update_model_choices,
        inputs=[llm_provider],
        outputs=[llm_model]
    )
    
    # پردازش
    process_btn.click(
        fn=process,
        inputs=[input_text, analysis_prompt, llm_provider, llm_model],
        outputs=[restored_text, llm_analysis, anonymized_text, mapping_table]
    )
    
    # پاک کردن
    clear_btn.click(
        fn=clear_all,
        outputs=[input_text, analysis_prompt, restored_text, llm_analysis, anonymized_text, mapping_table]
    )

if __name__ == "__main__":
    print("=" * 70)
    print("🚀 سیستم ناشناس‌سازی متون در حال راه‌اندازی...")
    print("=" * 70)
    print("\n📋 نحوه استفاده:\n")
    print("1. کلیدهای API را تنظیم کنید:")
    print("   - CEREBRAS_API_KEY (ضروری)")
    print("   - OPENAI_API_KEY (برای ChatGPT)")
    print("   - XAI_API_KEY (برای Grok)")
    print("2. http://localhost:7860 را باز کنید")
    print("3. LLM و مدل را انتخاب کنید")
    print("4. متن را وارد کنید")
    print("5. 'پردازش' را کلیک کنید\n")
    print("LLM‌های پشتیبانی‌شده:")
    print("  🤖 ChatGPT: gpt-4o-mini, gpt-4o, gpt-4-turbo")
    print("  🤖 Grok: grok-beta (رایگان), grok-3-mini, grok-3")
    print("=" * 70 + "\n")
    
    app.launch(
        server_name="0.0.0.0",
        server_port=7860,
        share=False,
        show_error=True
    )