Update utils/functions.py

utils/functions.py

@@ -8,9 +8,9 @@ import os
 from datetime import datetime
 import logging
 import json
-import whois  # Upewnij się, że moduł 'python-whois' jest zainstalowany
+import whois  # Upewnij się, że moduł 'python-whois' jest zainstalowany: pip install python-whois
 from PIL import Image
-import pytesseract
+import pytesseract  # Upewnij się, że moduł 'pytesseract' jest zainstalowany: pip install pytesseract
 
 # Konfiguracja logowania
 logging.basicConfig(
@@ -23,8 +23,8 @@ logging.basicConfig(
 BASE_DIR = os.path.dirname(os.path.abspath(__file__))
 DATA_DIR = os.path.join(BASE_DIR, '..', 'data')
 FAKE_NUMBERS_FILE = os.path.join(DATA_DIR, 'fake_numbers.json')
-HISTORY_FILE = os.path.join(DATA_DIR, 'history.json')
-STATS_FILE = os.path.join(DATA_DIR, 'stats.json')
+HISTORY_FILE = os.path.join(DATA_DIR, 'history.json')  # Jeśli nie używasz historii, możesz usunąć te linie
+STATS_FILE = os.path.join(DATA_DIR, 'stats.json')      # Jeśli nie używasz statystyk, możesz usunąć te linie
 
 # Upewnij się, że katalog 'data' istnieje
 os.makedirs(DATA_DIR, exist_ok=True)
@@ -54,6 +54,8 @@ def save_json(file_path, data):
         json.dump(data, file, ensure_ascii=False, indent=4)
         logging.info(f"Dane zostały zapisane do {file_path}.")
 
+# Funkcje związane z fałszywymi numerami telefonów
+
 def add_fake_number(phone_number):
     """
     Dodaje numer telefonu do pliku fake_numbers.json jako fałszywy, jeśli jeszcze go tam nie ma.
@@ -84,78 +86,7 @@ def get_fake_numbers():
     fake_numbers = load_json(FAKE_NUMBERS_FILE)
     return fake_numbers
 
-def add_to_history(message, sender_info, analysis_text, risk_text, recommendations_text):
-    """
-    Dodaje wpis do historii analiz w pliku history.json.
-    """
-    history = load_json(HISTORY_FILE)
-    history.append({
-        "timestamp": datetime.now().isoformat(),
-        "message": message,
-        "sender_info": sender_info,
-        "analysis": analysis_text,
-        "risk_assessment": risk_text,
-        "recommendations": recommendations_text
-    })
-    save_json(HISTORY_FILE, history)
-    logging.info(f"Dodano wpis do history.json dla nadawcy {sender_info}.")
-
-def get_history():
-    """
-    Pobiera historię analiz z pliku history.json jako listę słowników.
-    """
-    history = load_json(HISTORY_FILE)
-    logging.info("Historia analiz została pobrana pomyślnie.")
-    return history
-
-def get_analysis_history():
-    """
-    Alias funkcji get_history dla zgodności z innymi modułami.
-    """
-    return get_history()
-
-def update_stats(fraud_detected=False):
-    """
-    Aktualizuje statystyki analiz w pliku stats.json.
-    """
-    stats = load_json(STATS_FILE)
-    stats["total_analyses"] += 1
-    if fraud_detected:
-        stats["total_frauds_detected"] += 1
-    save_json(STATS_FILE, stats)
-    logging.info(f"Statystyki zostały zaktualizowane: Analiz {stats['total_analyses']}, Oszustw {stats['total_frauds_detected']}.")
-
-def get_stats():
-    """
-    Pobiera statystyki analiz z pliku stats.json.
-    """
-    stats = load_json(STATS_FILE)
-    logging.info("Statystyki zostały pobrane pomyślnie.")
-    return stats
-
-def get_statistics():
-    """
-    Alias funkcji get_stats dla zgodności z innymi modułami.
-    """
-    return get_stats()
-
-def get_phone_info(phone_number):
-    """
-    Weryfikuje numer telefonu i zwraca informacje o kraju i operatorze.
-    """
-    try:
-        parsed_number = phonenumbers.parse(phone_number, None)
-        country = geocoder.description_for_number(parsed_number, 'pl')
-        operator = carrier.name_for_number(parsed_number, 'pl')
-        if not country:
-            country = "Nieznany"
-        if not operator:
-            operator = "Nieznany"
-        logging.info(f"Numer {phone_number} - Kraj: {country}, Operator: {operator}.")
-        return country, operator
-    except NumberParseException as e:
-        logging.error(f"Nie udało się przetworzyć numeru telefonu {phone_number}: {e}")
-        return "Nieznany", "Nieznany"
+# Funkcje analizy SMS
 
 def simple_checks(message, language):
     """
@@ -183,7 +114,7 @@ def simple_checks(message, language):
 
 def analyze_message(content, sender_info, additional_info, api_key, language):
     """
-    Analizuje treść wiadomości za pomocą modelu AI, wykorzystując system prompts.
+    Analizuje treść wiadomości SMS za pomocą modelu AI, wykorzystując system prompts.
     """
     if not api_key:
         logging.error("Brak klucza API.")
@@ -197,79 +128,79 @@ def analyze_message(content, sender_info, additional_info, api_key, language):
 
     system_prompts = {
         'Polish': """
-    Jesteś zaawansowanym asystentem AI specjalizującym się w identyfikacji fałszywych wiadomości. Twoim zadaniem jest przeprowadzenie szczegółowej analizy poniższej wiadomości, wykorzystując głęboki proces myślenia i dostarczając kompleksową ocenę. Twoja odpowiedź powinna być podzielona na trzy sekcje:
-
-    <analysis>
-    **Analiza Treści Wiadomości:**
-    - Przeprowadź szczegółową analizę treści wiadomości, identyfikując potencjalne czerwone flagi, takie jak błędy językowe, prośby o dane osobowe, pilne prośby o kontakt itp.
-    - Opisz kontekst językowy i kulturowy wiadomości.
-    - Zidentyfikuj wszelkie elementy, które mogą sugerować, że wiadomość jest próbą wyłudzenia informacji lub pieniędzy.
-    </analysis>
-
-    <risk_assessment>
-    **Ocena Ryzyka Oszustwa:**
-    - Na podstawie analizy treści i dostępnych informacji oceń prawdopodobieństwo, że wiadomość jest oszustwem. Użyj skali od 1 do 10, gdzie 1 oznacza bardzo niskie ryzyko, a 10 bardzo wysokie ryzyko.
-    - Wyjaśnij, jakie czynniki wpływają na tę ocenę.
-    </risk_assessment>
-
-    <recommendations>
-    **Zalecenia dla Użytkownika:**
-    - Podaj jasne i konkretne zalecenia dotyczące dalszych kroków, które użytkownik powinien podjąć.
-    - Uwzględnij sugestie dotyczące bezpieczeństwa, takie jak blokowanie nadawcy, zgłaszanie wiadomości do odpowiednich instytucji, czy też ignorowanie wiadomości.
-    - Jeśli to możliwe, zasugeruj dodatkowe środki ostrożności, które użytkownik może podjąć, aby chronić swoje dane osobowe i finansowe.
-    </recommendations>
-
-    Twoja odpowiedź powinna być sformatowana dokładnie w powyższy sposób, używając znaczników <analysis>, <risk_assessment> i <recommendations>. Upewnij się, że każda sekcja jest wypełniona kompletnie i szczegółowo.
+Jesteś zaawansowanym asystentem AI specjalizującym się w identyfikacji fałszywych wiadomości SMS. Twoim zadaniem jest przeprowadzenie szczegółowej analizy wiadomości, wykorzystując głęboki proces myślenia i dostarczając kompleksową ocenę. Twoja odpowiedź powinna być podzielona na trzy sekcje:
+
+<analysis>
+**Analiza Treści Wiadomości:**
+- Przeprowadź szczegółową analizę treści wiadomości, identyfikując potencjalne czerwone flagi, takie jak błędy językowe, prośby o dane osobowe, pilne prośby o kontakt itp.
+- Opisz kontekst językowy i kulturowy wiadomości.
+- Zidentyfikuj wszelkie elementy, które mogą sugerować, że wiadomość jest próbą wyłudzenia informacji lub pieniędzy.
+</analysis>
+
+<risk_assessment>
+**Ocena Ryzyka Oszustwa:**
+- Na podstawie analizy treści i dostępnych informacji oceń prawdopodobieństwo, że wiadomość jest oszustwem. Użyj skali od 1 do 10, gdzie 1 oznacza bardzo niskie ryzyko, a 10 bardzo wysokie ryzyko.
+- Wyjaśnij, jakie czynniki wpływają na tę ocenę.
+</risk_assessment>
+
+<recommendations>
+**Zalecenia dla Użytkownika:**
+- Podaj jasne i konkretne zalecenia dotyczące dalszych kroków, które użytkownik powinien podjąć.
+- Uwzględnij sugestie dotyczące bezpieczeństwa, takie jak blokowanie nadawcy, zgłaszanie wiadomości do odpowiednich instytucji, czy też ignorowanie wiadomości.
+- Jeśli to możliwe, zasugeruj dodatkowe środki ostrożności, które użytkownik może podjąć, aby chronić swoje dane osobowe i finansowe.
+</recommendations>
+
+Twoja odpowiedź powinna być sformatowana dokładnie w powyższy sposób, używając znaczników <analysis>, <risk_assessment> i <recommendations>. Upewnij się, że każda sekcja jest wypełniona kompletnie i szczegółowo.
         """,
         'German': """
-    Du bist ein fortgeschrittener KI-Assistent, spezialisiert auf die Identifizierung gefälschter Nachrichten. Deine Aufgabe ist es, eine detaillierte Analyse der folgenden Nachricht durchzuführen, indem du einen tiefgreifenden Denkprozess nutzt und eine umfassende Bewertung lieferst. Deine Antwort sollte in drei Abschnitte unterteilt sein:
-
-    <analysis>
-    **Nachrichteninhaltsanalyse:**
-    - Führe eine detaillierte Analyse des Nachrichteninhalts durch und identifiziere potenzielle rote Flaggen wie sprachliche Fehler, Aufforderungen zur Preisgabe persönlicher Daten, dringende Kontaktanfragen usw.
-    - Beschreibe den sprachlichen und kulturellen Kontext der Nachricht.
-    - Identifiziere alle Elemente, die darauf hindeuten könnten, dass die Nachricht ein Versuch ist, Informationen oder Geld zu erlangen.
-    </analysis>
-
-    <risk_assessment>
-    **Betrugsrisikobewertung:**
-    - Basierend auf der Inhaltsanalyse und den verfügbaren Informationen, bewerte die Wahrscheinlichkeit, dass die Nachricht ein Betrug ist. Verwende eine Skala von 1 bis 10, wobei 1 sehr geringes Risiko und 10 sehr hohes Risiko bedeutet.
-    - Erkläre, welche Faktoren diese Bewertung beeinflussen.
-    </risk_assessment>
-
-    <recommendations>
-    **Empfehlungen für den Benutzer:**
-    - Gib klare und konkrete Empfehlungen zu den nächsten Schritten, die der Benutzer unternehmen sollte.
-    - Berücksichtige Sicherheitsempfehlungen wie das Blockieren des Absenders, das Melden der Nachricht an entsprechende Behörden oder das Ignorieren der Nachricht.
-    - Wenn möglich, schlage zusätzliche Vorsichtsmaßnahmen vor, die der Benutzer ergreifen kann, um seine persönlichen und finanziellen Daten zu schützen.
-    </recommendations>
-
-    Deine Antwort sollte genau nach den oben genannten Richtlinien formatiert sein und die Markierungen <analysis>, <risk_assessment> und <recommendations> verwenden. Stelle sicher, dass jeder Abschnitt vollständig und detailliert ausgefüllt ist.
+Du bist ein fortgeschrittener KI-Assistent, spezialisiert auf die Identifizierung gefälschter SMS-Nachrichten. Deine Aufgabe ist es, eine detaillierte Analyse der Nachricht durchzuführen, indem du einen tiefgreifenden Denkprozess nutzt und eine umfassende Bewertung lieferst. Deine Antwort sollte in drei Abschnitte unterteilt sein:
+
+<analysis>
+**Nachrichteninhaltsanalyse:**
+- Führe eine detaillierte Analyse des Nachrichteninhalts durch und identifiziere potenzielle rote Flaggen wie sprachliche Fehler, Aufforderungen zur Preisgabe persönlicher Daten, dringende Kontaktanfragen usw.
+- Beschreibe den sprachlichen und kulturellen Kontext der Nachricht.
+- Identifiziere alle Elemente, die darauf hindeuten könnten, dass die Nachricht ein Versuch ist, Informationen oder Geld zu erlangen.
+</analysis>
+
+<risk_assessment>
+**Betrugsrisikobewertung:**
+- Basierend auf der Inhaltsanalyse und den verfügbaren Informationen, bewerte die Wahrscheinlichkeit, dass die Nachricht ein Betrug ist. Verwende eine Skala von 1 bis 10, wobei 1 sehr geringes Risiko und 10 sehr hohes Risiko bedeutet.
+- Erkläre, welche Faktoren diese Bewertung beeinflussen.
+</risk_assessment>
+
+<recommendations>
+**Empfehlungen für den Benutzer:**
+- Gib klare und konkrete Empfehlungen zu den nächsten Schritten, die der Benutzer unternehmen sollte.
+- Berücksichtige Sicherheitsempfehlungen wie das Blockieren des Absenders, das Melden der Nachricht an entsprechende Behörden oder das Ignorieren der Nachricht.
+- Wenn möglich, schlage zusätzliche Vorsichtsmaßnahmen vor, die der Benutzer ergreifen kann, um seine persönlichen und finanziellen Daten zu schützen.
+</recommendations>
+
+Deine Antwort sollte genau nach den oben genannten Richtlinien formatiert sein und die Markierungen <analysis>, <risk_assessment> und <recommendations> verwenden. Stelle sicher, dass jeder Abschnitt vollständig und detailliert ausgefüllt ist.
         """,
         'English': """
-    You are an advanced AI assistant specializing in identifying fake messages. Your task is to conduct a detailed analysis of the following message, utilizing a deep thinking process and providing a comprehensive assessment. Your response should be divided into three sections:
-
-    <analysis>
-    **Message Content Analysis:**
-    - Conduct a detailed analysis of the message content, identifying potential red flags such as language errors, requests for personal information, urgent contact requests, etc.
-    - Describe the linguistic and cultural context of the message.
-    - Identify any elements that may suggest the message is an attempt to solicit information or money.
-    </analysis>
-
-    <risk_assessment>
-    **Fraud Risk Assessment:**
-    - Based on the content analysis and available information, assess the likelihood that the message is fraudulent. Use a scale from 1 to 10, where 1 indicates very low risk and 10 indicates very high risk.
-    - Explain the factors that influence this assessment.
-    </risk_assessment>
-
-    <recommendations>
-    **User Recommendations:**
-    - Provide clear and concrete recommendations regarding the next steps the user should take.
-    - Include security suggestions such as blocking the sender, reporting the message to appropriate authorities, or ignoring the message.
-    - If possible, suggest additional precautionary measures the user can take to protect their personal and financial information.
-    </recommendations>
-
-    Your response should be formatted exactly as specified above, using the <analysis>, <risk_assessment>, and <recommendations> tags. Ensure that each section is thoroughly and comprehensively filled out.
+You are an advanced AI assistant specializing in identifying fake SMS messages. Your task is to conduct a detailed analysis of the message, utilizing a deep thinking process and providing a comprehensive assessment. Your response should be divided into three sections:
+
+<analysis>
+**Message Content Analysis:**
+- Conduct a detailed analysis of the message content, identifying potential red flags such as language errors, requests for personal information, urgent contact requests, etc.
+- Describe the linguistic and cultural context of the message.
+- Identify any elements that may suggest the message is an attempt to solicit information or money.
+</analysis>
+
+<risk_assessment>
+**Fraud Risk Assessment:**
+- Based on the content analysis and available information, assess the likelihood that the message is fraudulent. Use a scale from 1 to 10, where 1 indicates very low risk and 10 indicates very high risk.
+- Explain the factors that influence this assessment.
+</risk_assessment>
+
+<recommendations>
+**User Recommendations:**
+- Provide clear and concrete recommendations regarding the next steps the user should take.
+- Include security suggestions such as blocking the sender, reporting the message to appropriate authorities, or ignoring the message.
+- If possible, suggest additional precautionary measures the user can take to protect their personal and financial information.
+</recommendations>
+
+Your response should be formatted exactly as specified above, using the <analysis>, <risk_assessment>, and <recommendations> tags. Ensure that each section is thoroughly and comprehensively filled out.
         """
     }
 
@@ -319,26 +250,242 @@ Provide your analysis and conclusions following the guidelines above."""
         logging.error(f"Błąd połączenia z API: {e}")
         return f"Błąd połączenia z API: {e}", "Błąd analizy.", "Błąd analizy."
 
-def get_email_info(email_address):
+# Funkcje analizy email
+
+def analyze_email_message(content, sender_info, additional_info, api_key, language):
     """
-    Pobiera informacje o domenie nadawcy e-mail za pomocą zapytania WHOIS.
+    Analizuje treść wiadomości email za pomocą modelu AI, wykorzystując system prompts.
     """
+    if not api_key:
+        logging.error("Brak klucza API.")
+        return "Brak klucza API.", "Brak klucza API.", "Brak klucza API."
+
+    url = "https://api.sambanova.ai/v1/chat/completions"  # Upewnij się, że to poprawny URL
+    headers = {
+        "Authorization": f"Bearer {api_key}",
+        "Content-Type": "application/json"
+    }
+
+    system_prompts = {
+        'Polish': """
+Jesteś zaawansowanym asystentem AI specjalizującym się w identyfikacji fałszywych wiadomości email. Twoim zadaniem jest przeprowadzenie szczegółowej analizy poniższej wiadomości email, wykorzystując głęboki proces myślenia i dostarczając kompleksową ocenę. Twoja odpowiedź powinna być podzielona na trzy sekcje:
+
+<analysis>
+**Analiza Treści Wiadomości:**
+- Przeprowadź szczegółową analizę treści wiadomości email, identyfikując potencjalne czerwone flagi, takie jak błędy językowe, podejrzane linki, prośby o dane osobowe, pilne prośby o kontakt itp.
+- Oceń autentyczność adresu email nadawcy.
+- Opisz kontekst językowy i kulturowy wiadomości.
+- Zidentyfikuj wszelkie elementy, które mogą sugerować, że wiadomość jest próbą phishingu lub oszustwa.
+</analysis>
+
+<risk_assessment>
+**Ocena Ryzyka Oszustwa:**
+- Na podstawie analizy treści i dostępnych informacji oceń prawdopodobieństwo, że wiadomość email jest oszustwem. Użyj skali od 1 do 10, gdzie 1 oznacza bardzo niskie ryzyko, a 10 bardzo wysokie ryzyko.
+- Wyjaśnij, jakie czynniki wpływają na tę ocenę.
+</risk_assessment>
+
+<recommendations>
+**Zalecenia dla Użytkownika:**
+- Podaj jasne i konkretne zalecenia dotyczące dalszych kroków, które użytkownik powinien podjąć.
+- Uwzględnij sugestie dotyczące bezpieczeństwa, takie jak nieklikanie w podejrzane linki, nieotwieranie załączników, zgłaszanie wiadomości do odpowiednich instytucji itp.
+- Jeśli to możliwe, zasugeruj dodatkowe środki ostrożności, które użytkownik może podjąć, aby chronić swoje dane osobowe i finansowe.
+</recommendations>
+
+Twoja odpowiedź powinna być sformatowana dokładnie w powyższy sposób, używając znaczników <analysis>, <risk_assessment> i <recommendations>. Upewnij się, że każda sekcja jest wypełniona kompletnie i szczegółowo.
+        """,
+        'German': """
+Du bist ein fortgeschrittener KI-Assistent, spezialisiert auf die Identifizierung gefälschter Nachrichtenemail. Deine Aufgabe ist es, eine detaillierte Analyse der folgenden Nachricht email durchzuführen, indem du einen tiefgreifenden Denkprozess nutzt und eine umfassende Bewertung lieferst. Deine Antwort sollte in drei Abschnitte unterteilt sein:
+
+<analysis>
+**Nachrichteninhaltsanalyse:**
+- Führe eine detaillierte Analyse des Nachrichteninhalts durch und identifiziere potenzielle rote Flaggen wie sprachliche Fehler, verdächtige Links, Aufforderungen zur Preisgabe persönlicher Daten, dringende Kontaktanfragen usw.
+- Beurteile die Authentizität der E-Mail-Adresse des Absenders.
+- Beschreibe den sprachlichen und kulturellen Kontext der Nachricht.
+- Identifiziere alle Elemente, die darauf hindeuten könnten, dass die Nachricht ein Versuch von Phishing oder Betrug ist.
+</analysis>
+
+<risk_assessment>
+**Betrugsrisikobewertung:**
+- Basierend auf der Inhaltsanalyse und den verfügbaren Informationen, bewerte die Wahrscheinlichkeit, dass die Nachricht email ein Betrug ist. Verwende eine Skala von 1 bis 10, wobei 1 sehr geringes Risiko und 10 sehr hohes Risiko bedeutet.
+- Erkläre, welche Faktoren diese Bewertung beeinflussen.
+</risk_assessment>
+
+<recommendations>
+**Empfehlungen für den Benutzer:**
+- Gib klare und konkrete Empfehlungen zu den nächsten Schritten, die der Benutzer unternehmen sollte.
+- Berücksichtige Sicherheitsempfehlungen wie das Nicht-Klicken auf verdächtige Links, das Nicht-Otöffnen von Anhängen, das Melden der Nachricht an entsprechende Behörden usw.
+- Wenn möglich, schlage zusätzliche Vorsichtsmaßnahmen vor, die der Benutzer ergreifen kann, um seine persönlichen und finanziellen Daten zu schützen.
+</recommendations>
+
+Deine Antwort sollte genau nach den oben genannten Richtlinien formatiert sein und die Markierungen <analysis>, <risk_assessment> und <recommendations> verwenden. Stelle sicher, dass jeder Abschnitt vollständig und detailliert ausgefüllt ist.
+        """,
+        'English': """
+You are an advanced AI assistant specializing in identifying fake email messages. Your task is to conduct a detailed analysis of the following email message, utilizing a deep thinking process and providing a comprehensive assessment. Your response should be divided into three sections:
+
+<analysis>
+**Message Content Analysis:**
+- Conduct a detailed analysis of the email message content, identifying potential red flags such as language errors, suspicious links, requests for personal information, urgent contact requests, etc.
+- Assess the authenticity of the sender's email address.
+- Describe the linguistic and cultural context of the message.
+- Identify any elements that may suggest the message is an attempt at phishing or fraud.
+</analysis>
+
+<risk_assessment>
+**Fraud Risk Assessment:**
+- Based on the content analysis and available information, assess the likelihood that the email message is fraudulent. Use a scale from 1 to 10, where 1 indicates very low risk and 10 indicates very high risk.
+- Explain the factors that influence this assessment.
+</risk_assessment>
+
+<recommendations>
+**User Recommendations:**
+- Provide clear and concrete recommendations regarding the next steps the user should take.
+- Include security suggestions such as not clicking on suspicious links, not opening attachments, reporting the message to appropriate authorities, etc.
+- If possible, suggest additional precautionary measures the user can take to protect their personal and financial information.
+</recommendations>
+
+Your response should be formatted exactly as specified above, using the <analysis>, <risk_assessment>, and <recommendations> tags. Ensure that each section is thoroughly and comprehensively filled out.
+        """
+    }
+
+    system_prompt = system_prompts.get(language, system_prompts['English'])
+
+    user_prompt = f"""Analyze the following email message for potential fraud:
+
+Email Content: "{content}"
+Sender Information: "{sender_info}"
+
+Additional Information:
+{additional_info}
+
+Provide your analysis and conclusions following the guidelines above."""
+
+    payload = {
+        "model": "Meta-Llama-3.1-8B-Instruct",  # Upewnij się, że to poprawny model API
+        "messages": [
+            {"role": "system", "content": system_prompt},
+            {"role": "user", "content": user_prompt}
+        ],
+        "max_tokens": 1000,
+        "temperature": 0.2,
+        "top_p": 0.9,
+        "stop": ["<|eot_id|>"]
+    }
+
     try:
-        domain = email_address.split('@')[-1]
-        w = whois.whois(domain)
-        organization = w.org if w.org else 'Nieznana'
-        country = w.country if w.country else 'Nieznany'
-        logging.info(f"Domena {domain} - Organizacja: {organization}, Kraj: {country}.")
-        return {
-            'domain': domain,
-            'organization': organization,
-            'country': country
+        response = requests.post(url, headers=headers, json=payload)
+        if response.status_code == 200:
+            data = response.json()
+            ai_response = data['choices'][0]['message']['content']
+            # Parsowanie odpowiedzi
+            analysis = re.search(r'<analysis>(.*?)</analysis>', ai_response, re.DOTALL)
+            risk_assessment = re.search(r'<risk_assessment>(.*?)</risk_assessment>', ai_response, re.DOTALL)
+            recommendations = re.search(r'<recommendations>(.*?)</recommendations>', ai_response, re.DOTALL)
+
+            analysis_text = analysis.group(1).strip() if analysis else "Brak analizy."
+            risk_text = risk_assessment.group(1).strip() if risk_assessment else "Brak oceny ryzyka."
+            recommendations_text = recommendations.group(1).strip() if recommendations else "Brak zaleceń."
+
+            return analysis_text, risk_text, recommendations_text
+        else:
+            logging.error(f"Błąd API: {response.status_code} - {response.text}")
+            return f"Błąd API: {response.status_code} - {response.text}", "Błąd analizy.", "Błąd analizy."
+    except Exception as e:
+        logging.error(f"Błąd połączenia z API: {e}")
+        return f"Błąd połączenia z API: {e}", "Błąd analizy.", "Błąd analizy."
+
+# Funkcje analizy stron internetowych
+
+def check_url_with_phishtank(url_to_check, phishtank_api_key):
+    """
+    Sprawdza, czy podany URL znajduje się w bazie PhishTank.
+    """
+    if not phishtank_api_key:
+        logging.error("Brak klucza API PhishTank.")
+        return False, "Brak klucza API PhishTank."
+
+    api_url = "https://checkurl.phishtank.com/checkurl/"
+    data = {
+        'format': 'json',
+        'app_key': phishtank_api_key,
+        'url': url_to_check
+    }
+
+    try:
+        response = requests.post(api_url, data=data)
+        if response.status_code == 200:
+            result = response.json()
+            is_phish = result.get('results', {}).get('valid', False)
+            return is_phish, None
+        else:
+            logging.error(f"Błąd podczas sprawdzania URL w PhishTank: {response.status_code}")
+            return False, f"Błąd podczas sprawdzania URL w PhishTank: {response.status_code}"
+    except Exception as e:
+        logging.error(f"Błąd podczas sprawdzania URL w PhishTank: {e}")
+        return False, f"Błąd podczas sprawdzania URL w PhishTank: {e}"
+
+def analyze_url(url, phishtank_api_key, google_safe_browsing_api_key):
+    """
+    Analizuje stronę internetową pod kątem zagrożeń phishingowych.
+    """
+    threats = {
+        "PhishTank": False,
+        "Google Safe Browsing": False
+    }
+
+    # Sprawdzenie PhishTank
+    is_phish, error = check_url_with_phishtank(url, phishtank_api_key)
+    if error:
+        logging.error(f"Błąd podczas sprawdzania URL w PhishTank: {error}")
+    threats["PhishTank"] = is_phish
+
+    # Sprawdzenie Google Safe Browsing
+    if google_safe_browsing_api_key:
+        google_safe_browsing_result = check_url_with_google_safe_browsing(url, google_safe_browsing_api_key)
+        threats["Google Safe Browsing"] = google_safe_browsing_result
+    else:
+        logging.warning("Brak klucza API Google Safe Browsing.")
+    
+    # Pobranie zawartości strony
+    content = get_page_content(url)
+
+    return threats, content
+
+def check_url_with_google_safe_browsing(url_to_check, google_safe_browsing_api_key):
+    """
+    Sprawdza, czy podany URL znajduje się w bazie Google Safe Browsing.
+    """
+    api_url = f"https://safebrowsing.googleapis.com/v4/threatMatches:find?key={google_safe_browsing_api_key}"
+    payload = {
+        "client": {
+            "clientId": "yourcompanyname",
+            "clientVersion": "1.5.2"
+        },
+        "threatInfo": {
+            "threatTypes": ["MALWARE", "SOCIAL_ENGINEERING"],
+            "platformTypes": ["WINDOWS"],
+            "threatEntryTypes": ["URL"],
+            "threatEntries": [
+                {"url": url_to_check}
+            ]
         }
+    }
+
+    try:
+        response = requests.post(api_url, json=payload)
+        if response.status_code == 200:
+            result = response.json()
+            if "matches" in result:
+                return True
+            else:
+                return False
+        else:
+            logging.error(f"Błąd podczas sprawdzania URL w Google Safe Browsing: {response.status_code}")
+            return False
     except Exception as e:
-        logging.error(f"Nie udało się pobrać informacji WHOIS dla domeny {email_address}: {e}")
-        return None
+        logging.error(f"Błąd podczas sprawdzania URL w Google Safe Browsing: {e}")
+        return False
 
-def analyze_url(url):
+def get_page_content(url):
     """
     Pobiera zawartość strony internetowej pod podanym URL.
     """
@@ -346,8 +493,7 @@ def analyze_url(url):
         response = requests.get(url)
         if response.status_code == 200:
             logging.info(f"Pobrano zawartość strony {url}.")
-            # Zwróć pierwsze 500 znaków treści strony
-            return response.text[:500]
+            return response.text[:500]  # Zwraca pierwsze 500 znaków
         else:
             logging.error(f"Nie udało się pobrać zawartości strony {url}. Kod statusu HTTP: {response.status_code}")
             return f"Nie udało się pobrać zawartości strony. Kod statusu HTTP: {response.status_code}"
@@ -367,4 +513,24 @@ def extract_text_from_image(image_file):
     except Exception as e:
         logging.error(f"Błąd podczas ekstrakcji tekstu z obrazu: {e}")
         return f"Błąd podczas ekstrakcji tekstu z obrazu: {e}"
-        
+
+# Funkcje analizy email
+
+def get_email_info(email_address):
+    """
+    Pobiera informacje o domenie nadawcy e-mail za pomocą zapytania WHOIS.
+    """
+    try:
+        domain = email_address.split('@')[-1]
+        w = whois.whois(domain)
+        organization = w.org if w.org else 'Nieznana'
+        country = w.country if w.country else 'Nieznany'
+        logging.info(f"Domena {domain} - Organizacja: {organization}, Kraj: {country}.")
+        return {
+            'domain': domain,
+            'organization': organization,
+            'country': country
+        }
+    except Exception as e:
+        logging.error(f"Nie udało się pobrać informacji WHOIS dla domeny {email_address}: {e}")
+        return None