import os
import streamlit as st
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_huggingface import HuggingFaceEndpoint
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain, RetrievalQA
import gspread
from oauth2client.service_account import ServiceAccountCredentials
import json

import gspread
from oauth2client.service_account import ServiceAccountCredentials
import json

# Load Google service account credentials from Hugging Face secrets
GOOGLE_SERVICE_ACCOUNT_JSON = st.secrets["GOOGLE_SERVICE_ACCOUNT_JSON"]

# Google Sheets setup
scope = ["https://www.googleapis.com/auth/spreadsheets", "https://www.googleapis.com/auth/drive"]
service_account_info = json.loads(GOOGLE_SERVICE_ACCOUNT_JSON)
creds = ServiceAccountCredentials.from_json_keyfile_dict(service_account_info, scope)
client = gspread.authorize(creds)
sheet = client.open("users feedback").sheet1  # Replace with your Google Sheet name
# Fonction pour enregistrer les retours utilisateur dans Google Sheets
def save_feedback(user_input, bot_response, rating, comment):
    feedback = [user_input, bot_response, rating, comment]
    sheet.append_row(feedback)

# Connexion API Hugging Face
from huggingface_hub import login
login(token=st.secrets["HF_TOKEN"])

# Initialiser les composants LangChain
db = FAISS.load_local("faiss_index", HuggingFaceEmbeddings(model_name='sentence-transformers/all-MiniLM-L12-v2'), allow_dangerous_deserialization=True)
retriever = db.as_retriever(search_type="mmr", search_kwargs={'k': 1})

prompt_template = """
### [INST]
Instruction: You are a Q&A assistant. Your goal is to answer questions as accurately as possible based on the instructions and context provided without using prior knowledge. You answer in FRENCH.
        Analyse carefully the context and provide a direct answer based on the context. If the user says Bonjour or Hello, your only answer will be: Hi! comment puis-je vous aider?
Answer in french only
        
{context}
Vous devez répondre aux questions en français.

### QUESTION:
{question}
[/INST]
Answer in french only
 Vous devez répondre aux questions en français.
"""

repo_id = "mistralai/Mistral-7B-Instruct-v0.3"

mistral_llm = HuggingFaceEndpoint(
    repo_id=repo_id, max_length=2048, temperature=0.05, huggingfacehub_api_token=st.secrets["HF_TOKEN"]
)

# Créer le prompt à partir du modèle de prompt
prompt = PromptTemplate(
    input_variables=["question"],
    template=prompt_template,
)

# Créer la chaîne LLM
llm_chain = LLMChain(llm=mistral_llm, prompt=prompt)

# Créer la chaîne RetrievalQA
qa = RetrievalQA.from_chain_type(
    llm=mistral_llm,
    chain_type="stuff",
    retriever=retriever,
    chain_type_kwargs={"prompt": prompt},
)

# Interface Streamlit avec une esthétique améliorée
st.set_page_config(page_title="Alter-IA Chat", page_icon="🤖")

# Définir la fonction pour gérer l'entrée utilisateur et afficher la réponse du chatbot
def chatbot_response(user_input):
    response = qa.run(user_input)
    return response

# Créer des colonnes pour les logos
col1, col2, col3 = st.columns([2, 3, 2])

with col1:
    st.image("Design 3_22.png", width=150, use_column_width=True)  # Ajustez le chemin et la taille de l'image selon vos besoins

with col3:
    st.image("Altereo logo 2023 original - eau et territoires durables.png", width=150, use_column_width=True)  # Ajustez le chemin et la taille de l'image selon vos besoins

# Composants Streamlit
st.markdown("""
    <style>
    .centered-text {
        text-align: center;
    }
    .centered-orange-text {
        text-align: center;
        color: darkorange;
    }
    </style>
    """, unsafe_allow_html=True)

# Utiliser les classes CSS pour styliser le texte
st.markdown('<h3 class="centered-text">🤖 AlteriaChat 🤖</h3>', unsafe_allow_html=True)
st.markdown('<p class="centered-orange-text">"Votre Réponse à Chaque Défi Méthodologique"</p>', unsafe_allow_html=True)

# Interface utilisateur avec formulaire
with st.form(key='feedback_form'):
    user_input = st.text_input("You:")
    submit_button = st.form_submit_button("Ask 📨")

    if submit_button:
        if user_input.strip() != "":
            bot_response = chatbot_response(user_input)
            st.markdown("### Bot:")
            st.text_area("", value=bot_response, height=600)

            # Formulaire de retour d'information
            st.markdown("### Rate the response:")
            rating = st.slider("Select a rating:", min_value=1, max_value=5, value=1)

            st.markdown("### Leave a comment:")
            comment = st.text_area("")

            # Soumettre les retours d'information
            if st.form_submit_button("Submit Feedback"):
                if comment.strip() and rating:
                    save_feedback(user_input, bot_response, rating, comment)
                    st.success("Thank you for your feedback!")
                else:
                    st.warning("⚠️ Please provide a comment and a rating.")

# Citation motivante en bas de page
st.markdown("---")
st.markdown("La collaboration est la clé du succès. Chaque question trouve sa réponse, chaque défi devient une opportunité.")