"""app.py — Green SM KZ Relevance Space

РЕЖИМ STUB (без ML-модели): все непустые тексты считаются релевантными.

Когда обучена relevance-модель:
  1. Раскомментировать блок «── Real model ──».
  2. Удалить класс StubRelevanceService.
  3. В get_service() заменить StubRelevanceService на RelevanceService.
  4. Удалить этот комментарий.
"""
from __future__ import annotations

from typing import List, Optional

import gradio as gr

# Нормализация казахского/русского текста (работает и в stub-режиме)
from inference import clean_text

# ── Real model (раскомментировать после обучения) ────────────────────────────
# import os
# import torch
# from inference import clean_text, load_relevance_model, infer_relevance
#
# RELEVANCE_REPO = "DanielNRU/GreenSMKZ-relevance"
# USE_CUDA = os.getenv("USE_CUDA", "1") == "1"
#
# class RelevanceService:
#     def __init__(self, repo_id: str, use_cuda: bool = True):
#         device = torch.device("cuda" if use_cuda and torch.cuda.is_available() else "cpu")
#         self.model, self.tokenizer, self.max_length, self.threshold = \
#             load_relevance_model(repo_id, device)
#         self.device = device
#
#     def analyze_text(self, text: str, threshold: Optional[float] = None):
#         thr = threshold if threshold is not None else self.threshold
#         text_clean = clean_text(text)
#         preds, probs = infer_relevance(
#             [text_clean], self.model, self.tokenizer,
#             self.max_length, thr, self.device, batch_size=1,
#         )
#         return int(preds[0]), float(probs[0])
# ─────────────────────────────────────────────────────────────────────────────


class StubRelevanceService:
    """Заглушка: всегда возвращает (label=1, prob=1.0)."""

    threshold: float = 0.5

    def analyze_text(
        self,
        text: str,
        threshold: Optional[float] = None,  # noqa: ARG002
    ) -> tuple[int, float]:
        return 1, 1.0


_service: Optional[StubRelevanceService] = None


def get_service() -> StubRelevanceService:
    global _service
    if _service is None:
        _service = StubRelevanceService()
    return _service


def _format_pct(p: float) -> str:
    return f"{p * 100:.1f}%"


def analyze_single_text(text: str, rel_thr: float) -> tuple[str, str]:
    """Gradio endpoint. api_name=analyze_single_text (без слеша).

    Текст нормализуется через clean_text (RU/KZ-cyr/KZ-lat) перед обработкой.
    STUB: всегда возвращает ("релевантно", "100.0%") для непустого текста.
    """
    if not text or not text.strip():
        return "пустой текст", "0.0%"

    # Нормализация: удаление URL, перевод строк, KZ-лат → кириллица
    text_clean = clean_text(text)
    if not text_clean:
        return "пустой текст", "0.0%"

    try:
        svc = get_service()
        label, prob = svc.analyze_text(text_clean, threshold=rel_thr)
        label_str = "релевантно" if label == 1 else "нерелевантно"
        prob_str = _format_pct(prob)
        return label_str, prob_str
    except Exception as e:
        print(f"[ERROR] analyze_single_text / GSMKZ-relevance: {e}")
        return "ошибка", "0.0%"


# ── Issue #222 / Шаг 8: батч-endpoint ────────────────────────────────────────
def analyze_batch(texts: List[str], rel_thr: float = 0.5) -> List[List[str]]:
    """Батч-анализ релевантности.

    Принимает список текстов, возвращает [[label_str, prob_str], ...].
    Пустые строки получают ["нерелевантно", "0.0%"] без вызова модели.
    STUB: все непустые тексты → ["релевантно", "100.0%"].

    Args:
        texts:   список текстов (str), может содержать пустые строки.
        rel_thr: порог релевантности (игнорируется STUB-моделью).

    Returns:
        Список пар [[label_str, prob_str], ...] той же длины что и texts.
    """
    svc = get_service()
    results: List[List[str]] = []
    for text in texts:
        if not text or not str(text).strip():
            results.append(["нерелевантно", "0.0%"])
            continue
        try:
            text_clean = clean_text(str(text))
            if not text_clean:
                results.append(["нерелевантно", "0.0%"])
                continue
            label, prob = svc.analyze_text(text_clean, threshold=rel_thr)
            label_str = "релевантно" if label == 1 else "нерелевантно"
            results.append([label_str, _format_pct(prob)])
        except Exception as e:
            print(f"[ERROR] analyze_batch / GSMKZ-relevance (item): {e}")
            results.append(["ошибка", "0.0%"])
    return results
# ─────────────────────────────────────────────────────────────────────────────


_default_thr: float = StubRelevanceService.threshold

with gr.Blocks(title="Green SM KZ — Релевантность [STUB]") as demo:
    gr.Markdown("# Green SM KZ — Определение релевантности сообщения")
    gr.Markdown(
        "> ⚠️ **STUB-режим**: ML-модель не используется.  \n"
        "> Все непустые тексты автоматически получают `label=1`, `prob=100.0%`.  \n"
        "> Заменить на реальную модель после обучения."
    )
    gr.Markdown(
        "Поддерживаемые языки: **русский**, **казахский** (кириллица и латиница)  \n"
        "Нормализация текста (KZ-лат → кириллица, удаление URL) активна в любом режиме."
    )

    inp_text = gr.Textbox(
        label="Текст сообщения",
        placeholder="Вставьте сообщение на русском или казахском языке...",
        lines=8,
    )
    rel_thr_slider = gr.Slider(
        minimum=0.0,
        maximum=1.0,
        value=_default_thr,
        step=0.01,
        label="Порог релевантности (игнорируется в stub-режиме)",
        interactive=False,
    )
    btn = gr.Button("Анализировать")

    out_label = gr.Textbox(
        label="Метка (релевантно / нерелевантно)",
        interactive=False,
    )
    out_prob = gr.Textbox(
        label="Вероятность релевантности",
        interactive=False,
    )

    # api_name БЕЗ ведущего слеша — именно так вызывает ba_scraper
    btn.click(
        fn=analyze_single_text,
        inputs=[inp_text, rel_thr_slider],
        outputs=[out_label, out_prob],
        api_name="analyze_single_text",
    )

    # Issue #222 / Шаг 8: регистрируем батч-endpoint через gr.api()
    # HFBatchSender вызывает: client.predict(texts, rel_thr, api_name="/analyze_batch")
    # Возвращает: [[label_str, prob_str], ...]
    demo.load(fn=None)  # dummy — нужен только чтобы demo.fns были инициализированы
    gr.api(
        fn=analyze_batch,
        api_name="analyze_batch",
    )

if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860, show_error=True)