import gradio as gr
from sentence_transformers import SentenceTransformer, util
import json
import os
import time
import threading
import queue
import torch

# Загружаем модель
model_name = "HIT-TMG/KaLM-embedding-multilingual-mini-instruct-v1.5"
model = SentenceTransformer(model_name)
# model.max_seq_length = 8192  # Убираем явное ограничение длины последовательности

# Имя файла для сохранения эмбеддингов
embeddings_file = f"movie_embeddings_{model_name.replace('/', '_')}.json"
# Имя файла для сохранения эмбеддингов запросов
query_embeddings_file = f"query_embeddings_{model_name.replace('/', '_')}.json"

# Загружаем данные из файла movies.json
try:
    with open("movies.json", "r", encoding="utf-8") as f:
        movies_data = json.load(f)
except FileNotFoundError:
    print("Ошибка: Файл movies.json не найден.")
    movies_data = []

# Загружаем эмбеддинги фильмов
if os.path.exists(embeddings_file):
    with open(embeddings_file, "r", encoding="utf-8") as f:
        movie_embeddings = json.load(f)
    print("Загружены эмбеддинги фильмов из файла.")
else:
    movie_embeddings = {}

# Загружаем эмбеддинги запросов
if os.path.exists(query_embeddings_file):
    with open(query_embeddings_file, "r", encoding="utf-8") as f:
        query_embeddings = json.load(f)
    print("Загружены эмбеддинги запросов из файла.")
else:
    query_embeddings = {}

# Очередь для необработанных фильмов
movies_queue = queue.Queue()
for movie in movies_data:
    if movie["name"] not in movie_embeddings:
        movies_queue.put(movie)

# Флаг, указывающий, что обработка фильмов завершена
processing_complete = False
# Флаг, указывающий, что выполняется поиск
search_in_progress = False

# Блокировка для доступа к movie_embeddings
movie_embeddings_lock = threading.Lock()

# Размер пакета для обработки эмбеддингов
batch_size = 32  # Увеличиваем размер пакета в 2 раза

# Инструкция для запроса
query_prompt = "Инструкция: Найди релевантные фильмы по запросу. \n Запрос: "

def encode_string(text, prompt=None):
    """Кодирует строку в эмбеддинг с использованием инструкции, если она задана."""
    if prompt:
        return model.encode(text, prompt=prompt, convert_to_tensor=True, normalize_embeddings=True)
    else:
        return model.encode(text, convert_to_tensor=True, normalize_embeddings=True)

def process_movies():
    """
    Обрабатывает фильмы из очереди, создавая для них эмбеддинги.
    """
    global processing_complete
    while True:
        if search_in_progress:
            time.sleep(1)  # Ждем, пока поиск не завершится
            continue

        batch = []
        while not movies_queue.empty() and len(batch) < batch_size:
            try:
                movie = movies_queue.get(timeout=1)
                batch.append(movie)
            except queue.Empty:
                break

        if not batch:
            print("Очередь фильмов пуста.")
            processing_complete = True
            break

        titles = [movie["name"] for movie in batch]
        embedding_strings = [
            f"Название: {movie['name']}\nГод: {movie['year']}\nЖанры: {movie['genresList']}\nОписание: {movie['description']}"
            for movie in batch
        ]

        print(f"Создаются эмбеддинги для фильмов: {', '.join(titles)}...")
        embeddings = model.encode(embedding_strings, convert_to_tensor=True, batch_size=batch_size, normalize_embeddings=True).tolist()

        with movie_embeddings_lock:
            for title, embedding in zip(titles, embeddings):
                movie_embeddings[title] = embedding
            # Сохраняем эмбеддинги в файл после обработки каждого пакета
            with open(embeddings_file, "w", encoding="utf-8") as f:
                json.dump(movie_embeddings, f, ensure_ascii=False, indent=4)
            print(f"Эмбеддинги для фильмов: {', '.join(titles)} созданы и сохранены.")

    print("Обработка фильмов завершена.")

def get_query_embedding(query):
    """
    Возвращает эмбеддинг для запроса с инструкцией. 
    Если эмбеддинг уже создан, возвращает его из словаря.
    Иначе создает эмбеддинг, сохраняет его и возвращает.
    """
    if query in query_embeddings:
        print(f"Эмбеддинг для запроса '{query}' уже существует.")
        return query_embeddings[query]
    else:
        print(f"Создается эмбеддинг для запроса '{query}'...")
        embedding = encode_string(query, prompt=query_prompt).tolist()
        query_embeddings[query] = embedding
        # Сохраняем эмбеддинги запросов в файл
        with open(query_embeddings_file, "w", encoding="utf-8") as f:
            json.dump(query_embeddings, f, ensure_ascii=False, indent=4)
        print(f"Эмбеддинг для запроса '{query}' создан и сохранен.")
        return embedding

def search_movies(query, top_k=10):
    """
    Ищет наиболее похожие фильмы по запросу с использованием инструкции.

    Args:
        query: Текстовый запрос.
        top_k: Количество возвращаемых результатов.

    Returns:
        Строку с результатами поиска в формате HTML.
    """
    global search_in_progress
    search_in_progress = True
    start_time = time.time()
    print(f"\n\033[1mПоиск по запросу: '{query}'\033[0m")

    print(f"Начало создания эмбеддинга для запроса: {time.strftime('%Y-%m-%d %H:%M:%S')}")
    query_embedding_tensor = encode_string(query, prompt=query_prompt)
    print(f"Окончание создания эмбеддинга для запроса: {time.strftime('%Y-%m-%d %H:%M:%S')}")

    with movie_embeddings_lock:
        current_movie_embeddings = movie_embeddings.copy()

    if not current_movie_embeddings:
        search_in_progress = False
        return "<p>Пока что нет обработанных фильмов. Попробуйте позже.</p>"

    # Преобразуем эмбеддинги фильмов в тензор
    movie_titles = list(current_movie_embeddings.keys())
    movie_embeddings_tensor = torch.tensor(list(current_movie_embeddings.values()))

    print(f"Начало поиска похожих фильмов: {time.strftime('%Y-%m-%d %H:%M:%S')}")
    # Используем util.semantic_search для поиска похожих фильмов
    hits = util.semantic_search(query_embedding_tensor, movie_embeddings_tensor, top_k=top_k)[0]
    print(f"Окончание поиска похожих фильмов: {time.strftime('%Y-%m-%d %H:%M:%S')}")

    results_html = ""
    for hit in hits:
        title = movie_titles[hit['corpus_id']]
        score = hit['score']
        # Ищем полное описание фильма в исходных данных
        for movie in movies_data:
            if movie["name"] == title:
                description = movie["description"]
                year = movie["year"]
                genres = movie["genresList"]
                break

        results_html += f"<h3><b>{title} ({year})</b></h3>"
        results_html += f"<p><b>Жанры:</b> {genres}</p>"
        results_html += f"<p><b>Описание:</b> {description}</p>"
        results_html += f"<p><b>Сходство:</b> {score:.4f}</p>"
        results_html += "<hr>"

    end_time = time.time()
    execution_time = end_time - start_time
    print(f"Поиск завершен за {execution_time:.4f} секунд.")
    search_in_progress = False
    return results_html

# Поток для обработки фильмов
processing_thread = threading.Thread(target=process_movies)

# Создаем интерфейс Gradio
iface = gr.Interface(
    fn=search_movies,
    inputs=gr.Textbox(label="Введите запрос:"),
    outputs=gr.HTML(label="Результаты поиска:"),
    title="Поиск фильмов по описанию",
    description="Введите запрос, и система найдет наиболее похожие фильмы по их описаниям.",
    examples=[
        ["Фильм про ограбление"],
        ["Комедия 2019 года"],
        ["Фантастика про космос"],
    ],
)

# Запускаем поток для обработки фильмов
processing_thread.start()

# Запускаем приложение
iface.queue()
iface.launch()