app.py

# -*- coding: utf-8 -*-
"""Present2_MySpa_Chatbot_Sentiment_Prj.ipynb

Automatically generated by Colab.

Original file is located at
    https://colab.research.google.com/drive/18_uakb-N3cZ-f4RFLnQYQv7m4I35NuIt
"""

#!pip -q install groq
#!pip install gradio
#!pip install openpyxl
#!pip install --upgrade google-api-python-client google-auth-httplib2 google-auth-oauthlib
#!pip install google-colab

#=========VSCode=====================================================================
# from dotenv import find_dotenv, load_dotenv
# _ = load_dotenv(find_dotenv())
# import os
# secret_key = os.environ.get("GROQ_API_kEY")
#========google.colab======================================================================
#from google.colab import userdata
#secret_key = userdata.get('GROQ_API_kEY')
import os
secret_key = os.environ.get("GROQ_API_kEY")  # Set this in Hugging Face Secrets

from groq import Groq
clientGroq = Groq(
    api_key= secret_key,
)

def is_thai(text):
    """Check if the text contains any Thai character"""
    return any('\u0E00' <= ch <= '\u0E7F' for ch in text)

#from google.colab import drive
#drive.mount('/content/drive')

import pandas as pd
df = pd.read_excel("spa_services_withkeywords.xlsx")
#df = pd.read_excel("/content/drive/MyDrive/SpaProject/spa_services_withkeywords.xlsx")
df.head()

def get_completion(prompt, model= "llama3-70b-8192", clientGroq = clientGroq):
    messages = [{"role": "user", "content": prompt}]
    response = clientGroq.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,
        max_tokens= 4000,
        top_p = 0.5
    )
    return response.choices[0].message.content

def get_spa_recommendation(user_input):
    user_input_lower = user_input.lower()
    matched_rows = []

    for _, row in df.iterrows():
        eng_keywords = [kw.strip().lower() for kw in str(row["Keywords"]).split(",")]
        thai_keywords = [kw.strip().lower() for kw in str(row["Keywords (Thai)"]).split(",")]
        all_keywords = eng_keywords + thai_keywords

        # Count how many keywords appear in user input
        match_count = sum(1 for kw in all_keywords if kw in user_input_lower)

        if match_count > 0:
            matched_rows.append({
                "row": row,
                "match_count": match_count,
                "price": row["Price"]
            })

    if not matched_rows:
        return "❌ ไม่พบบริการที่ตรงกับคำอธิบายของคุณ" if is_thai(user_input) else "❌ No matching service found for your request."

    # Sort by match count first, then by price
    sorted_matches = sorted(matched_rows, key=lambda x: (x["match_count"], x["price"]), reverse=True)
    top_row = sorted_matches[0]["row"]

   # ดึงชื่อแพ็กเกจจาก Excel ตรง ๆ
    service_name = top_row['Service']
    duration = top_row['Duration']
    price = top_row['Price']

    if is_thai(user_input):
          prompt = f"""
      คุณคือผู้ช่วยแนะนำบริการสปาผู้หญิง ก่อนแนะนำบริการ ให้ทักทายลูกค้าก่อนว่า สวัสดีค่ะคุณลูกค้าที่รัก MySpa ยินดีให้บริการก่อนค่อยให้คำแนะนำจากอาการหรือความรู้สึกของลูกค้า
      ลูกค้า: {user_input}
      คุณ: กรุณาแนะนำบริการสปาที่เหมาะสมให้เลือกจากรายการที่ Mapping จาก Keyword ได้โดย Keyword ที่ได้มีดังนี้ ชื่อแพ็คเกจ จาก {service_name} ระยะเวลา จาก {duration} และราคาเบื้องต้น {price}
      พร้อมอธิบายผลลัพธ์ที่ได้จากแพ็คเกจที่แนะนำ
      แสดงผลลัพธ์เป็นภาษาไทย ชื่อแพ็คเกจ จาก {service_name} ให้เด่น มีสีสรรนิด และก่อนการนำเสนอให้ทักทายลูกค้า แสดงผลลัพธ์ทั้งหมดใน Format ของ Markdown
      """
    else:
        prompt = f"""
      You are a spa assistant. Before recommending a services ,first greeting the customer with Hello dear customer, MySpa is happy to server you then provide suggestions based on the customer's symptoms or feeling.
      Customer input: {user_input}
      Please recommend **only one** service using the information and format below :

      - Service: {service_name}
      - Duration: {duration}
      - Price: {price} THB

      Also, explain the benefits or outcomes of the recommended package.
      Display the results in Eng language, new line for highlight the package name from {service_name} to make it stand out.
      Before presenting, greet the customer again. Display all the results in the Markdown format.
      """
    return get_completion(prompt)

import gradio as gr

def spa_bot_interface(text):
    return get_spa_recommendation(text)

#gr.Interface(
#    fn=spa_bot_interface,
#    inputs=gr.Textbox(label="กรุณาพิมพ์อาการของคุณ / Your symptom"),
#    # Use gr.Textbox as the output component with a label
#    outputs=gr.Textbox(label="คำแนะนำจาก BHU MHAI SPA / Suggestion from BHU MHAI SPA"),
#    title="BHU MHAI Spa",
#    description="พิมพ์อาการของคุณ ทางร้านจะแนะนำบริการสปาที่เหมาะสม"
#).launch(debug=False,share=True)

# prompt: # prompt: We need procedure involve with input feedback from customer and report sentiment feeling about feedback positive , negative or neutral and save result of all feedback and sentiment into excel file name result_spa_sentiment.xls by saving file into google drive in path /content/drive/MyDrive/SpaProject  if can not file that create file and we need interface by using gradio and make this part into function for calling
#from google.colab import drive
import os

# Mount Google Drive
#drive.mount('/content/drive')

def analyze_sentiment(text):
    """Analyzes the sentiment of the input text using the Groq API."""
    prompt = f"""
    Analyze the sentiment of the following customer feedback. Classify the sentiment as 'positive', 'negative', or 'neutral'.
    Only respond with the sentiment classification. Do not include any other text.

    Customer Feedback: "{text}"
    Sentiment:
    """
    sentiment = get_completion(prompt)
    return sentiment.strip().lower()

def process_feedback_and_save(feedback):
    """Processes customer feedback, analyzes sentiment, and saves to an Excel file."""
    sentiment = analyze_sentiment(feedback)

    # Define the path to the Excel file
    #excel_file_path = '/content/drive/MyDrive/SpaProject/result_spa_sentiment.xlsx'
    #excel_file_path = 'result_spa_sentiment.xlsx'
    # Check if the directory exists, create it if not
    #if not os.path.exists('/content/drive/MyDrive/SpaProject'):
    #    os.makedirs('/content/drive/MyDrive/SpaProject')
    if not os.path.exists('output'):
       os.makedirs('output')
    excel_file_path = 'result_spa_sentiment.xlsx'
    # Load existing data or create a new DataFrame
    try:
        df_sentiment = pd.read_excel(excel_file_path)
    except FileNotFoundError:
        df_sentiment = pd.DataFrame(columns=['Feedback', 'Sentiment'])

    # Append the new feedback and sentiment
    new_row = pd.DataFrame({'Feedback': [feedback], 'Sentiment': [sentiment]})
    df_sentiment = pd.concat([df_sentiment, new_row], ignore_index=True)

    # Save the updated DataFrame to Excel
    df_sentiment.to_excel(excel_file_path, index=False)

    return f"Feedback received: '{feedback}'\nSentiment: {sentiment}\nSaved to: {excel_file_path}"

def feedback_interface(feedback):
    """Gradio interface function to process and save feedback."""
    return process_feedback_and_save(feedback)

# Add a new Gradio interface for feedback
#gr.Interface(
#    fn=feedback_interface,
#    inputs=gr.Textbox(label="Enter your feedback"),
#    outputs=gr.Textbox(label="Feedback Analysis Result"),
#    title="Customer Feedback Sentiment Analysis",
#    description="Enter your feedback to get sentiment analysis and save it."
#).launch(debug=False, share=True)

#from googletrans import Translator
# ✅ STEP 1: ฟังก์ชันสรุปเนื้อหา (เหมาะสำหรับบทความสุขภาพ)
def summarize_text(text):
    prompt = f"สรุปเนื้อหาต่อไปนี้ให้กระชับแต่ครบถ้วน:\n\n{text} พร้อมปรับรูปแบบให้สวยงามใส่ Markdown"
    return get_completion(prompt)
    #return response['choices'][0]['message']['content']
# ✅ STEP 2: ฟังก์ชันสร้างโพสต์โปรโมชัน
def generate_spa_promo(topic):
    prompt = f"""
    คุณเป็นนักการตลาดสายสุขภาพที่เชี่ยวชาญด้านสปา
    เขียนโพสต์ Facebook โปรโมชันของร้าน MySpa Shop เป็นภาษาไทยเกี่ยวกับหัวข้อ "{topic}"
    โพสต์ควรมี:
    - คำโปรยเปิดโพสต์
    - เนื้อหาเชิญชวน
    - ใช้อีโมจิประกอบให้โพสต์ดูน่าสนใจ (เช่น 💆‍♀️✨🎉🌿)
    - ปิดท้ายด้วยแฮชแท็กที่เกี่ยวข้อง
    เขียนให้เหมาะกับ Facebook หรือ Line OA โดยใช้ภาษาที่เป็นกันเอง สไตล์มืออาชีพ พร้อมปรับรูปแบบให้สวยงามใส่ Markdown
    """
    return summarize_text(get_completion(prompt))
    #return response['choices'][0]['message']['content']

def load_readme():
    # Define the path to the README file in your Google Drive
    #readme_file_path = "/content/drive/MyDrive/SpaProject/Readme_Myspa_Chatbot.md"
    readme_file_path = "Readme_Myspa_Chatbot.md"
    try:
        with open(readme_file_path, "r", encoding="utf-8") as f:
            return f.read()
    except FileNotFoundError:
        # Handle the case where the file is not found
        print(f"Error: The file {readme_file_path} was not found.")
        return "Error loading README file. Please ensure 'Readme_Myspa_Chatbot.md' is in '/content/drive/MyDrive/SpaProject'."

import gradio as gr

# 🧠 ฟังก์ชันหลัก
#def spa_bot_interface(symptom):
#    # ตัวอย่าง: ปรับเป็นระบบจริงได้
#    return f"จากอาการ '{symptom}', แนะนำบริการ: Thai Massage 60 mins"

#def feedback_interface(feedback):
    # ตัวอย่าง: วิเคราะห์ความเห็น
#    return f"ขอบคุณสำหรับความคิดเห็น: '{feedback}' (วิเคราะห์ว่า: Positive)"

# 🌐 Gradio Web UI (Single Page)

with gr.Blocks(title="MySpa Chatbot") as demo:
    gr.Markdown("## 🌸 MySpa Chatbot\nให้คำแนะนำและรับความคิดเห็นจากลูกค้า")
    with gr.Tab("📄 README"):
       gr.Markdown("## 📘 Project Documentation\nHere’s an overview of the MySpa AI Chatbot Project:")
       gr.Markdown(load_readme())
    with gr.Tab("💆 Spa Recommend"):
       gr.Markdown("### พิมพ์อาการของคุณ เพื่อรับบริการที่เหมาะสม")
       with gr.Row():
           symptom_input = gr.Textbox(label="อาการของคุณ / Your Symptom", placeholder="เช่น ปวดหลัง เครียด...")
           recommend_output = gr.Textbox(label="คำแนะนำจาก MySpa SPA", interactive=False)
       spa_btn = gr.Button("🎯 แนะนำบริการ")
       spa_btn.click(fn=spa_bot_interface, inputs=symptom_input, outputs=recommend_output)
    with gr.Tab("🗣️ Customer Feedback"):
       gr.Markdown("### แสดงความคิดเห็นเกี่ยวกับบริการของเรา")
       with gr.Row():
          feedback_input = gr.Textbox(label="ความคิดเห็นของคุณ / Your Feedback", placeholder="ใส่ความรู้สึก หรือคำแนะนำ...")
          feedback_output = gr.Textbox(label="ผลการวิเคราะห์ความคิดเห็น", interactive=False)
       fb_btn = gr.Button("📊 วิเคราะห์ความคิดเห็น")
       fb_btn.click(fn=feedback_interface, inputs=feedback_input, outputs=feedback_output)
    with gr.Tab("✨ AI Post Generator"): # Renamed tab for clarity
       gr.Markdown("### ให้ AI ช่วยสร้างโพสต์โปรโมชันหรือเนื้อหา")
       with gr.Row():
          # Add an input textbox for the user to enter the topic
          #post_topic_input = gr.Textbox(label="หัวข้อสำหรับโพสต์ / Topic for Post", placeholder="เช่น โปรโมชั่นลดราคา สปาหน้าใส...")
          post_topic_input = gr.Dropdown(label="เลือกหัวข้อสำหรับโพสต์ / Choose a topic for the post", choices=["แนะนำบริการใหม่", "โปรโมชั่นเดือนนี้", "บทความสุขภาพทั่วไป"])
          post_output = gr.Textbox(label="โพสต์ที่สร้างโดย AI", interactive=False)
       post_btn = gr.Button("📝 สร้างโพสต์") # Renamed button for clarity
       # Link the button click to the generate_spa_promo function, using the textbox as input
       post_btn.click(fn=generate_spa_promo, inputs = post_topic_input, outputs=post_output)
# 🚀 เรียกหน้าเว็บ
#demo.launch(share=True)
demo.launch()