import streamlit as st
import pandas as pd
import torch
from transformers import AutoTokenizer, AutoModel
import faiss
import numpy as np


@st.cache_data
def load_data(url):
    df = pd.read_csv(url)  # 👈 Download the data
    return df

df = load_data('data/final_data.csv')

# @st.cache_data
# def embedding_and_index():
#     embeddings_array = np.load('data/embeddings_final.npy')
#     index = faiss.read_index('data/desc_faiss_index_final.index')
#     return(embeddings_array, index)

# embeddings_array, index = embedding_and_index()
     
# @st.cache_resource
# def load_tokenizer_and_model():
#     tokenizer = AutoTokenizer.from_pretrained("DeepPavlov/rubert-base-cased-sentence")
#     model = AutoModel.from_pretrained("DeepPavlov/rubert-base-cased-sentence")
#     return tokenizer, model
    
# tokenizer, model = load_tokenizer_and_model()

# @st.cache_resource
# def encode_description(description, tokenizer, model):
#     tokens = tokenizer(description, return_tensors="pt")
#     with torch.no_grad():
#         outputs = model(**tokens)
#     embeddings = outputs.last_hidden_state.mean(dim=1)
#     return embeddings.cpu().numpy().astype('float32')


st.title('Умный поиск фильмов 🔍🎦')

# with st.sidebar:
#     st.header('Выберите страницу')
#     page = st.selectbox("Выберите страницу", ["Главная", "Подбор фильмов по описанию", "Итоги"])

# if page == "Главная":
st.header('Выполнила команда "FindMyMovie":')
st.subheader('🎥Алексей')
st.subheader('🎬Светлана')
st.subheader('🍿Тата')
    



st.subheader('Наши задачи:')
st.markdown("""
<span style='font-size:18px; color:purple;'>Задача 1:</span> Спарсить информацию по 5 тыс. фильмов и обработать ее
<span style='font-size:18px; color:purple;'>Задача 2:</span> Разработать систему поиска фильма по пользовательскому запросу
""", unsafe_allow_html=True)

st.markdown(
f"<div style='border: 2px solid #800080; padding: 10px; text-align: center;'><span style='font-size: 20px; color: violet;'>Мы любезно позаимствовали данные о фильмах с \
Киноафиши, ни один участник команды при этом не пострадал 💟</span></div>",
unsafe_allow_html=True
)

st.subheader('   '*10)


st.info('🌟Сервис принимает на вход описание фильма от пользователя и возвращает заданное количество подходящих вариантов')


st.info('🌟Если не знаете, что посмотреть, нажмите кнопку "Сгенерировать" - сервис предложит вам 10 случайных фильмов из библиотеки')


# Отображаем HTML-разметку в Streamlit
if st.button("Сгенерировать 🎲"):
    # Получение случайных 10 строк
    random_rows = df[['movie_title', 'description']].sample(n=10).reset_index(drop=True)
    random_rows.index = random_rows.index + 1

    st.markdown(f"<span style='font-size:{20}px; color:violet'>{'Сегодня мы подобрали для вас следующие фильмы:'}</span>", unsafe_allow_html=True)
    st.write(random_rows)
    st.image("apps/1.png", use_column_width=True)
                
# if page == "Подбор фильмов по описанию":

        


    
  
    
#     def main():


#     # Пользовательский ввод
#         user_input = st.text_input("Введите описание фильма:", value="", help="Чем подробнее будет ваше описание, тем точнее мы сможем подобрать для вас фильм 🤗'")

#         if st.button("Искать🔍🎦"):
#             if user_input:
#             # Векторизация введенного запроса
#                 input_embedding = encode_description(user_input)

#             # Поиск с использованием Faiss
#                 _, sorted_indices = index.search(input_embedding.reshape(1, -1), 5)  # Изменил на 5

#             # Используйте индексы для извлечения строк из DataFrame
#                 recs = df2.iloc[sorted_indices[0]].reset_index(drop=True)
#                 recs.index = recs.index + 1

#             # Вывод рекомендованных фильмов с изображениями
#                 st.subheader("Рекомендованные фильмы 🎉:")
#                 for i in range(5):
#                     st.markdown(f"<span style='font-size:{20}px; color:purple'>{recs['movie_title'].iloc[i]}</span>", unsafe_allow_html=True)
#                     # Создаем две колонки: одну для текста, другую для изображения
#                     col1, col2 = st.columns([2, 1])
                
#                     # В  колонке отображаем название фильма, описание, роли и ссылку
#                     col1.info(recs['description'].iloc[i])
#                     col1.markdown(f"**В ролях:** {recs['actors'].iloc[i]}")
#                     col1.markdown(f"**Фильм можно посмотреть [здесь]({recs['page_url'].iloc[i]})**")
                
#                     # В  колонке отображаем изображение
#                     col2.image(recs['image_url'].iloc[i], caption=recs['movie_title'].iloc[i], width=200)
#                 with st.sidebar:
#                     st.info("""
#                          #### Мы смогли помочь вам с выбором? 
#                         """)
#                     feedback = st.text_input('Поделитесь с нами вашим мнением')
                
#                     feedback_button = st.button("Отправить отзыв", key="feedback_button")
                
#                 if feedback_button and feedback:
#                     feedback_container.success("Спасибо, каждый день мы стараемся быть лучше для вас 💟")
#                 elif feedback_button:
#                     feedback_container.warning("Пожалуйста, введите отзыв перед отправкой.")

#     if __name__ == "__main__":
#         main()

# if page == "Итоги":
#     st.header('Инструменты для создания проекта: ')
#     list_text = """
#     <div style='color: violet; border: 2px solid purple; padding: 10px;'>
#         <ul>
#             <li>Используемые языковые модели: rubert-base-cased-sentence, rubert-tiny2</li>
#             <li>Библиотека Sentence Transformers</li>
#             <li>Faiss (для уменьшения времени генерации подборки фильмов)</li>
#             <li>Сайт-жертва для парсинга - <a href="https://www.kinoafisha.info/" style='color: purple;'>Киноафиша</a></li>
#         </ul>
#     </div>
#     """

#     # Отображение HTML-разметки в Streamlit
#     st.markdown(list_text, unsafe_allow_html=True)