import gradio as gr
from transformers import pipeline
import time
import pandas as pd
from datetime import datetime

# Загружаем модель для классификации тем
model_name = "cointegrated/rubert-tiny2-cedr-emotion-detection"
classifier = pipeline("text-classification", model=model_name)

# Словарь для перевода меток на русский
TOPIC_LABELS_RU = {
    'neutral': '🗿 Нейтральная',
    'sadness': '😔 Грусть/печаль',
    'fear': '😨 Страх/опасение',
    'anger': '😡 Злость/гнев',
    'joy': '😊 Радость',
    'love': '❤️ Любовь/симпатия',
    'surprise': '😯 Удивление'
}

# История запросов
history = []
MAX_HISTORY = 10

def classify_topic(text, show_top_n=3):
    """Классифицирует текст по темам"""
    
    # Проверка ошибок
    if not text or text.strip() == "":
        return "⚠️ Пожалуйста, введите текст для анализа", "", []
    
    if len(text) > 2000:
        return "⚠️ Текст слишком длинный (максимум 2000 символов)", "", []
    
    try:
        # Измеряем время выполнения
        start_time = time.time()
        
        # Классификация
        results = classifier(text, top_k=show_top_n)
        elapsed_time = time.time() - start_time
        
        # Форматируем результаты
        output_text = f"📊 **Результаты классификации:**\n\n"
        
        for i, result in enumerate(results, 1):
            label_en = result['label']
            label_ru = TOPIC_LABELS_RU.get(label_en, label_en)
            score = result['score'] * 100
            
            # Прогресс-бар
            bar_length = 20
            filled = int(score * bar_length / 100)
            progress_bar = "█" * filled + "░" * (bar_length - filled)
            
            output_text += f"{i}. **{label_ru}** - {score:.1f}%\n"
            output_text += f"   {progress_bar}\n\n"
        
        output_text += f"\n⏱️ **Время обработки:** {elapsed_time:.2f} секунд"
        
        # Сохраняем в историю
        timestamp = datetime.now().strftime("%H:%M:%S")
        top_result = results[0]['label']
        history.insert(0, {
            'time': timestamp,
            'text': text[:50] + ("..." if len(text) > 50 else ""),
            'topic': TOPIC_LABELS_RU.get(top_result, top_result),
            'confidence': f"{results[0]['score']*100:.1f}%"
        })
        
        # Ограничиваем историю
        if len(history) > MAX_HISTORY:
            history.pop()
        
        # Создаём DataFrame для таблицы
        df = pd.DataFrame(history)
        
        return output_text, f"✅ Текст успешно обработан за {elapsed_time:.2f} сек", df
        
    except Exception as e:
        return f"❌ **Ошибка:** {str(e)}", "", []

def clear_history():
    """Очищает историю запросов"""
    global history
    history = []
    return pd.DataFrame()

# Создаём интерфейс
with gr.Blocks(title="Классификатор тем текста", theme=gr.themes.Soft()) as demo:
    gr.Markdown("# 🏷️ Классификатор тем текста")
    gr.Markdown("Определяет эмоциональную окраску и тему текста")
    
    with gr.Row():
        with gr.Column(scale=2):
            # Входные элементы
            text_input = gr.Textbox(
                label="📝 Введите текст для анализа",
                placeholder="Например: 'Я очень рад, что получил отличную оценку на экзамене!'",
                lines=5,
                max_lines=10
            )
            
            with gr.Row():
                top_n_slider = gr.Slider(
                    minimum=1,
                    maximum=7,
                    value=3,
                    step=1,
                    label="🔢 Количество топ-тем для показа"
                )
            
            analyze_btn = gr.Button("🚀 Анализировать текст", variant="primary", size="lg")
            clear_btn = gr.Button("🧹 Очистить историю", variant="secondary")
            
            # Примеры
            gr.Markdown("### 📌 Готовые примеры")
            examples = gr.Examples(
                examples=[
                    ["Я в восторге от этого фильма, актёры сыграли просто потрясающе!"],
                    ["Очень боюсь завтрашнего экзамена, не уверен, что готов к нему."],
                    ["Меня бесит, что автобус снова опоздал на 30 минут."],
                    ["Сегодня обычный день, ничего особенного не произошло."],
                    ["Я обожаю свою девушку, она самая лучшая на свете!"],
                    ["Неожиданно получил повышение на работе, не могу поверить!"],
                    ["Мне так грустно, что каникулы уже закончились."]
                ],
                inputs=text_input,
                label="Кликните на любой пример"
            )
        
        with gr.Column(scale=3):
            # Результаты
            output_md = gr.Markdown(label="📊 Результаты классификации")
            status_text = gr.Textbox(label="✅ Статус", interactive=False)
            
            gr.Markdown("### 📋 История запросов")
            history_table = gr.Dataframe(
                headers=["Время", "Текст", "Тема", "Уверенность"],
                datatype=["str", "str", "str", "str"],
                interactive=False,
                # Убрал height=300, так как этот параметр не поддерживается в текущей версии
            )
    
    # Обработчики событий
    analyze_btn.click(
        fn=classify_topic,
        inputs=[text_input, top_n_slider],
        outputs=[output_md, status_text, history_table]
    )
    
    clear_btn.click(
        fn=clear_history,
        inputs=[],
        outputs=[history_table]
    )
    
    # Информационный блок
    gr.Markdown("---")
    with gr.Accordion("📚 Подробная информация о модели", open=False):
        gr.Markdown("""
        **Используемая модель:** `cointegrated/rubert-tiny2-cedr-emotion-detection`
        
        **Возможные темы/эмоции:**
        - 😊 **joy** - Радость, счастье, удовольствие
        - ❤️ **love** - Любовь, симпатия, нежность
        - 😡 **anger** - Злость, гнев, раздражение
        - 😨 **fear** - Страх, опасение, тревога
        - 😔 **sadness** - Грусть, печаль, тоска
        - 😯 **surprise** - Удивление, изумление
        - 🗿 **neutral** - Нейтральный текст без эмоций
        
        **Технические детали:**
        - Модель на основе RuBERT Tiny
        - Обучена на русскоязычных текстах
        - Работает на CPU за 1-3 секунды
        - Поддерживает тексты до 2000 символов
        """)
    
    gr.Markdown("---")
    gr.Markdown("""
    ### ⚠️ Ограничения и примечания
    1. Максимальная длина текста: **2000 символов**
    2. Язык: **русский** (для английского точность ниже)
    3. Модель определяет **эмоциональную окраску**, а не предметную тему
    4. Не распознаёт иронию, сарказм и сложные метафоры
    """)

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