import json
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from pydantic import BaseModel, Field
from typing import List, Tuple
from langchain.chat_models import ChatOpenAI
from langchain.output_parsers import PydanticOutputParser

# Modèles Pydantic pour structurer la réponse
class Expression(BaseModel):
    expression: str = Field(..., description="Expression détectée (ex: 'est une étape importante')")
    indice_debut: int = Field(..., description="Indice de début de l'expression")
    indice_fin: int = Field(..., description="Indice de fin de l'expression")

class Phrase(BaseModel):
    texte: str = Field(..., description="Phrase complète contenant l'expression ou les expressions détectées")
    indice_debut: int = Field(..., description="Indice de début de la phrase")
    indice_fin: int = Field(..., description="Indice de fin de la phrase")

class Reformulation(BaseModel):
    texte: str = Field(..., description="Texte de la reformulation")

class PhraseDetectee(BaseModel):
    phrase: Phrase = Field(..., description="Détails de la phrase")
    erreurs: List[Expression] = Field(..., description="Liste des expressions détectées dans la phrase")
    reformulations: List[Reformulation] = Field(..., description="Liste des reformulations proposées")
    justification: str = Field(..., description="Justification des reformulations proposées")

class Summary(BaseModel):
    total_erreurs: int = Field(..., description="Nombre total d'expressions détectées")
    total_phrases: int = Field(..., description="Nombre total de phrases contenant des expressions")
    total_reformulations: int = Field(..., description="Nombre total de reformulations proposées")

class DetectionResult(BaseModel):
    phrases_detectees: List[PhraseDetectee] = Field(..., description="Liste des phrases détectées avec détails")
    summary: Summary = Field(..., description="Résumé de la détection")

    def to_dict(self):
        return {
            "phrases_detectees": [phrase.model_dump() for phrase in self.phrases_detectees],
            "summary": self.summary.model_dump()
        }


def imaginez_prompt_template():
    return """En tant que rédacteur web expert, votre mission est d'analyser le texte suivant et  de détecter toutes les occurrences de l'expression "imaginez" et ses variantes, telles que :

- "Visualisez"
- "Envisagez"
- "Concevez"
- "Supposez"
- "Pensez à"
- "Représentez-vous"
- "Imaginez-vous"

Exemples d'erreurs à corriger :
- "Imaginez un monde où tout serait automatisé", mais on dit "Dans un monde où tout serait automatisé, les avantages sont immenses."
- "Pensez à la manière dont cela pourrait fonctionner", mais on dit "La manière dont cela pourrait fonctionner est à envisager."
- "Envisagez cette solution comme la meilleure", mais on dit "Cette solution pourrait être considérée comme la meilleure."

Pour chaque phrase où une ou plusieurs occurrences de ces expressions sont trouvées, veuillez :
1. Citer la phrase complète avec ses indices de début et de fin.
2. Identifier l'expression exacte utilisée dans la phrase avec ses indices.
3. Expliquer pourquoi ces expressions peuvent alourdir ou rendre le texte trop familier, direct ou directive.
4. Proposer cinq reformulations de la phrase, en suivant ces instructions :
   - Rendre la phrase plus professionnelle et fluide, tout en évitant d'utiliser "imaginez" ou ses variantes en début de phrase.
   - Assurez-vous que la reformulation conserve le sens original, tout en étant plus formelle et naturelle.
   - Évitez toute redondance ou répétition de mots, et vérifiez que la phrase reformulée soit fluide et adaptée au contexte professionnel.
5. Respecter les règles suivantes lors de la reformulation :
   - Ne pas utiliser : "Crucial", "Essentiel", "Important", "Fondamental", "Le monde de", "Dans l’univers de", "À l’ère de", "Généralement", "Outre", "Cela signifie que", "Ce qui signifie que", "Voici", "Découvrez", "S’avérer être", "Il suffit de", "Permet", "Décision éclairée", "Décision avisée" et leurs variantes.
   - Ne pas utiliser "Look" et ses variantes dans un contexte de décoration.
   - Ne pas commencer une phrase par : "Il existe", "Il faut", "Cependant", "De plus", "En revanche", "Néanmoins", "Toutefois", "Imaginez" ou leurs variantes.
   - Ne pas associer : "Joue un rôle", "Il est", "Est une étape" à des mots tels que "Important", "Essentiel", "Crucial", "Primordial", "Fondamental", "Indispensable", "Déterminant".
   - Ne pas commencer une phrase par : "En plus" ou ses variantes.

6. Justifier les reformulations proposées en expliquant comment elles améliorent le style, la clarté et la fluidité, tout en rendant la phrase plus professionnelle.

Votre analyse doit être retournée en JSON avec la structure suivante :
{{
    "phrases_detectees": [
    {{
        "phrase": {{
        "texte": "Phrase complète contenant l'expression ou les expressions détectées",
        "indice_debut": x,
        "indice_fin": y
        }},
        "erreurs": [
        {{
            "expression": "Expression détectée",
            "indice_debut": a,
            "indice_fin": b
        }}
        ],
        "reformulations": [
        {{ "texte": "Reformulation 1" }},
        {{ "texte": "Reformulation 2" }},
        {{ "texte": "Reformulation 3" }},
        {{ "texte": "Reformulation 4" }},
        {{ "texte": "Reformulation 5" }}
        ],
        "justification": "Justification des reformulations proposées."
    }}
    ],
    "summary": {{
    "total_erreurs": nombre_total_d_expressions_detectées,
    "total_phrases": nombre_total_de_phrases_contenant_des_expressions,
    "total_reformulations": nombre_total_de_reformulations_proposées
    }}
}}


Texte à analyser :
{text}

Assurez-vous que les indices correspondent aux positions exactes dans le texte original et que le JSON est correctement formaté.
{format_instruction}
"""

# Fonction pour générer le prompt template
# def imaginez_prompt_template():
#     return """
#    Analyser le texte suivant et détecter toutes les occurrences de l'expression "Imaginez" et ses variantes telles que :

#     "Visualisez", "Envisagez", "Concevez", "Supposez", "Pensez à", "Représentez-vous", "Imaginez-vous"

# Pour chaque occurrence trouvée, veuillez :

#    - Citer la phrase complète où l'expression apparaît.
#    - Indiquer l'expression exacte utilisée dans le texte.
#    - Expliquer pourquoi ces expressions peuvent alourdir ou rendre l'introduction trop familière, directe ou directive.
#    - Proposer deux reformulations plus simples, fluides et naturelles pour rendre la phrase plus concise ou directe,
#      en évitant d'utiliser l'expression "Imaginez" ou ses variantes. Assurez-vous que la reformulation conserve le sens original
#      tout en étant plus formelle et professionnelle.

# Assurez-vous également de respecter les règles suivantes :
# 1. Les expressions comme "crucial", "essentiel", "important", "fondamental" ne doivent pas être utilisées plus d'une fois dans l'introduction.
# 2. Les expressions comme "il existe", "il faut", "cependant", "de plus", "en revanche", "néanmoins", "toutefois" ne doivent pas être utilisées en début de phrase.
# 3. Les expressions comme "joue un rôle", "il est", ou "est une étape" ne doivent pas être associées à des adjectifs tels qu'"important", "essentiel", etc.
# 4. "En plus" ne doit pas être utilisé seul en début de phrase.

# Le format de sortie doit être un JSON structuré avec les éléments suivants pour chaque pattern détecté :

# - "pattern": "mot ou expression détectée",
# - "indices": [[index de début, index de fin pour chaque occurrence]],
# - "sentence": "phrase où l'expression est utilisée",
# - "alternative_suggestions": ["suggestion 1", "suggestion 2"]

# Si aucun pattern n'est trouvé, retournez un JSON avec :
# - "pattern0": "",
# - "occurrences": 0,

# À la fin, ajoutez un résumé avec :
# - "total_patterns_detected": nombre total de patterns détectés,
# - "alternative_suggestions_provided": nombre de suggestions données,
# - "occurrences": nombre d'occurrences.

# Voici le texte à analyser :
# ```{text}```

# \n{format_instruction}
#     """

def imaginez(text):
    # Créer le template avec la variable text intégrée directement
    prompt_template = imaginez_prompt_template()

    output_parser = PydanticOutputParser(pydantic_object=DetectionResult)

    # Créer le prompt avec le texte intégré
    gen_prompt_template = PromptTemplate(
        input_variables=["text"],
        template=prompt_template,
        partial_variables={'format_instruction': output_parser.get_format_instructions()}
    )

    # Créer une instance du modèle de langage
    llm = ChatOpenAI(model='gpt-4o', temperature=0.5, api_key="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")

    # Exécuter la chaîne avec le LLM
    llm_chain = gen_prompt_template | llm | output_parser

    # Appel du modèle avec le texte fourni
    result_dict = llm_chain.invoke({"text": text}).to_dict()

    # Parsing de la réponse JSON
    json_result = json.dumps(result_dict, indent=8, ensure_ascii=False)

    # Générer le prompt final
    final_prompt = gen_prompt_template.format(text=text)

    # Retourne les suggestions ou les erreurs de parsing
    return {
        "result": json_result,
        "prompt": final_prompt
    }