import time
import streamlit as st
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings.base import Embeddings
from langchain.vectorstores import FAISS
from langchain.indexes import VectorstoreIndexCreator
from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI
from typing import List
from together import Together
import pandas as pd
import streamlit as st
from langchain.docstore.document import Document  
import docx  
import os

from hazm import *





st.markdown("""
    <style>
    @import url('https://fonts.googleapis.com/css2?family=Vazirmatn:wght@400;700&display=swap');
    
    html, body, [class*="css"] {
        font-family: 'Vazirmatn', Tahoma, sans-serif;
        direction: rtl;
        text-align: right;
    }
    
    .stApp {
        background: linear-gradient(to left, #4b5e40, #2e3b2e);
        color: #ffffff;
    }
    
    /* استایل سایدبار */
    [data-testid="stSidebar"] {
        width: 260px !important;
        background-color: #1a2b1e;
        border: none !important; /* حذف حاشیه زرد */
        padding-top: 20px;
    }
    
    .menu-item {
        display: flex;
        align-items: center;
        gap: 12px;
        padding: 12px 20px;
        font-size: 16px;
        color: #d4d4d4;
        cursor: pointer;
        transition: background-color 0.3s ease;
    }
    
    .menu-item:hover {
        background-color: #2e3b2e;
        color: #b8860b;
    }
    
    .menu-item img {
        width: 24px;
        height: 24px;
    }
    
    /* استایل دکمه‌ها */
    .stButton>button {
        background-color: #b8860b !important;
        color: #1a2b1e !important;
        font-family: 'Vazirmatn', Tahoma;
        font-weight: 700;
        border-radius: 10px;
        padding: 12px 24px;
        border: none;
        transition: all 0.3s ease;
        font-size: 16px;
        width: 100%;
        margin: 10px 0;
    }
    
    .stButton>button:hover {
        background-color: #8b6508 !important;
        transform: translateY(-2px);
        box-shadow: 0 4px 8px rgba(0,0,0,0.3);
    }
    
    /* استایل هدر */
    .header-text {
        text-align: center;
        margin: 20px 0;
        background-color: rgba(26, 43, 30, 0.9);
        padding: 25px;
        border-radius: 15px;
        box-shadow: 0 6px 12px rgba(0,0,0,0.4);
    }
    
    .header-text h1 {
        font-size: 42px;
        color: #b8860b;
        margin: 0;
        font-weight: 700;
    }
    
    .subtitle {
        font-size: 18px;
        color: #d4d4d4;
        margin-top: 10px;
    }
    
    /* استایل پیام چت */
    .chat-message {
        background-color: rgba(26, 43, 30, 0.95);
        border: 2px solid #b8860b;
        border-radius: 15px;
        padding: 20px;
        margin: 15px 0;
        box-shadow: 0 6px 12px rgba(0,0,0,0.3);
        animation: fadeIn 0.6s ease;
        font-size: 18px;
        color: #d4d4d4;
        display: flex;
        align-items: center;
        gap: 15px;
    }
    
    @keyframes fadeIn {
        from { opacity: 0; transform: translateY(10px); }
        to { opacity: 1; transform: translateY(0); }
    }
    
    /* استایل ورودی‌ها */
    .stTextInput>div>input, .stTextArea textarea {
        background-color: rgba(26, 43, 30, 0.95) !important;
        border-radius: 10px !important;
        border: 1px solid #b8860b !important;
        padding: 12px !important;
        font-family: 'Vazirmatn', Tahoma;
        font-size: 16px;
        color: #d4d4d4 !important;
    }
    
    img.small-logo {
        width: 120px;
        margin: 0 auto 20px;
        display: block;
    }
    
    hr {
        border: 1px solid #b8860b;
        margin: 15px 0;
    }
    
    /* رفع مشکل نوار زرد */
    [data-testid="stSidebar"] > div {
        border: none !important;
    }
    </style>
""", unsafe_allow_html=True)

# ----------------- احراز هویت ساده -----------------
if "authenticated" not in st.session_state:
    st.session_state.authenticated = False

if not st.session_state.authenticated:
    st.markdown("<h3 style='text-align: center; color: #b8860b;'>ورود به رزم‌یار ارتش</h3>", unsafe_allow_html=True)
    username = st.text_input("نام کاربری:", placeholder="شناسه نظامی خود را وارد کنید")
    password = st.text_input("رمز عبور:", type="password", placeholder="رمز عبور نظامی")
    if st.button("ورود"):
        if username == "admin" and password == "123":
            st.session_state.authenticated = True
            st.rerun()
        else:
            st.error("نام کاربری یا رمز عبور اشتباه است.")
    st.stop()

# ----------------- سایدبار -----------------
with st.sidebar:
    st.image("log.png", use_container_width=True)  # اصلاح use_column_width
    
    menu_items = [
        ("گزارش عملیاتی", "https://cdn-icons-png.flaticon.com/512/3596/3596165.png"),
        ("تاریخچه ماموریت‌ها", "https://cdn-icons-png.flaticon.com/512/709/709496.png"),
        ("تحلیل داده‌های نظامی", "https://cdn-icons-png.flaticon.com/512/1828/1828932.png"),
        ("مدیریت منابع", "https://cdn-icons-png.flaticon.com/512/681/681494.png"),
        ("دستیار فرماندهی", "https://cdn-icons-png.flaticon.com/512/3601/3601646.png"),
        ("تنظیمات امنیتی", "https://cdn-icons-png.flaticon.com/512/2099/2099058.png"),
        ("پشتیبانی فنی", "https://cdn-icons-png.flaticon.com/512/597/597177.png"),
    ]
    
    for idx, (text, icon) in enumerate(menu_items):
        st.markdown(f"""
            <div class="menu-item">
                <img src="{icon}" />
                {text}
            </div>
        """, unsafe_allow_html=True)
        if idx in [1, 3, 5]:
            st.markdown("<hr/>", unsafe_allow_html=True)

# ----------------- محتوای اصلی -----------------
st.markdown("""
    <div class="header-text">
        <h1>رزم‌یار ارتش</h1>
        <div class="subtitle">دستیار هوشمندارتش</div>
    </div>
""", unsafe_allow_html=True)

# پیام خوش‌آمدگویی
st.markdown(f"""
    <div class="chat-message">
        <span style="font-size: 24px;">🪖</span>
        <span>به رزم‌ یار ارتش خوش آمدید. </span>
    </div>
""", unsafe_allow_html=True)


# ----------------- لود csv و ساخت ایندکس -----------------
normalizer = Normalizer()

# توکنایزر هضم
tokenizer = word_tokenize

# بارگذاری مدل WordEmbedding
word_embedding = WordEmbedding(model_type='fasttext')
WordEmbedding = wordEmbedding.load_model('word2vec.bin')  # مدل از اینترنت دانلود می‌شود

class CustomEmbeddings(Embeddings):
    def __init__(self, word_embedding: WordEmbedding):
        self.word_embedding = word_embedding

    def embed_documents(self, texts: List[str]) -> List[List[float]]:
        embeddings = []
        for text in texts:
            # ایجاد امبدینگ برای هر کلمه در متن
            embeddings.append([self.word_embedding.embed(word) for word in tokenizer(text)])
        return embeddings

    def embed_query(self, text: str) -> List[float]:
        return self.embed_documents([text])[0]

@st.cache_resource
def get_docx_index(folder_path):
    with st.spinner('📄 در حال پردازش فایل‌های Word...'):
        texts = []

        # خواندن تمام فایل‌های .docx در پوشه
        for filename in os.listdir(folder_path):
            if filename.endswith(".docx"):
                full_path = os.path.join(folder_path, filename)
                doc = docx.Document(full_path)

                # استخراج متن تمام پاراگراف‌ها
                file_text = "\n".join([para.text for para in doc.paragraphs])
                if file_text.strip():
                    texts.append(file_text)

        # نرمال‌سازی و توکنایز کردن متن‌ها
        normalized_texts = [normalizer.normalize(text) for text in texts]
        tokenized_texts = [tokenizer(text) for text in normalized_texts]

        # تقسیم متن‌ها
        text_splitter = RecursiveCharacterTextSplitter(
            chunk_size=300,
            chunk_overlap=50,
            length_function=len,
            separators=["\n\n", "\n", " ", ""]
        )
        split_texts = []
        for text in normalized_texts:
            split_texts.extend(text_splitter.split_text(text))

        # ایجاد embedding با استفاده از WordEmbedding
        embeddings = CustomEmbeddings(word_embedding=word_embedding)

        # ساخت ایندکس
        index_creator = VectorstoreIndexCreator(
            embedding=embeddings,
            text_splitter=text_splitter
        )

        documents = [Document(page_content=text) for text in split_texts]

        return index_creator.from_documents(documents)

# مسیر فایل CSV
folder_path = '46/'

try:
    docx_index = get_docx_index(folder_path)
except Exception as e:
    st.error(f"❌ خطا در ساخت ایندکس: {e}")

#------------------------------------------
llm = ChatOpenAI(
    base_url="https://api.together.xyz/v1",
    api_key='0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979',
    model="meta-llama/Llama-3.3-70B-Instruct-Turbo-Free"
)

chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type='stuff',
    retriever=docx_index.vectorstore.as_retriever(),
    input_key='question'
)

if 'messages' not in st.session_state:
    st.session_state.messages = []

if 'pending_prompt' not in st.session_state:
    st.session_state.pending_prompt = None

for msg in st.session_state.messages:
    with st.chat_message(msg['role']):
        st.markdown(f"🗨️ {msg['content']}", unsafe_allow_html=True)

prompt = st.chat_input("چطور می‌تونم کمک کنم؟")

if prompt:
    st.session_state.messages.append({'role': 'user', 'content': prompt})
    st.session_state.pending_prompt = prompt
    st.rerun()

if st.session_state.pending_prompt:
    with st.chat_message('ai'):
        thinking = st.empty()
        thinking.markdown("🤖 در حال فکر کردن...")

        response = chain.run(f'پاسخ را فقط به زبان فارسی جواب بده به هیچ عنوان از زبان چینی در پاسخ استفاده نکن. سوال: {st.session_state.pending_prompt}')
        answer = response.split("Helpful Answer:")[-1].strip() if "Helpful Answer:" in response else response.strip()
        if not answer:
            answer = "متأسفم، اطلاعات دقیقی در این مورد ندارم."

        thinking.empty()
        full_response = ""
        placeholder = st.empty()
        for word in answer.split():
            full_response += word + " "
            placeholder.markdown(full_response + "▌")
            time.sleep(0.03)

        placeholder.markdown(full_response)
        st.session_state.messages.append({'role': 'ai', 'content': full_response})
        st.session_state.pending_prompt = None