import os
import time
from pathlib import Path

import pandas as pd
import streamlit as st

from src.predictor import ArticleTopicPredictor


st.set_page_config(
    page_title="Article Topic Classifier",
    page_icon="🧠",
    layout="centered",
)

MODEL_DIR = os.getenv("MODEL_DIR", "artifacts/article_topic_model")

EXAMPLES = [
    {
        "title": "Attention-based models for scientific document understanding",
        "abstract": "We propose a transformer-based architecture for classification and retrieval of scientific papers.",
    },
    {
        "title": "A new benchmark for graph representation learning",
        "abstract": "This paper introduces a benchmark suite for graph neural networks and evaluates generalization.",
    },
    {
        "title": "Quantum error correction with surface codes",
        "abstract": "",
    },
]


@st.cache_resource(show_spinner=False)
def load_predictor(model_dir: str) -> ArticleTopicPredictor:
    return ArticleTopicPredictor(model_dir=model_dir)


def render_intro() -> None:
    st.title("🧠 Классификатор тематик научных статей")
    st.markdown(
        """
        Введите заголовок статьи и, при наличии, abstract.
        Сервис покажет наиболее вероятные тематики и набор **top-95%** классов:
        классы по убыванию вероятности, пока суммарная вероятность не превысит 95%.
        """
    )
    st.caption("Если abstract пустой, классификация выполняется только по title.")


def render_sidebar() -> None:
    with st.sidebar:
        st.header("О приложении")
        st.write("Модель загружается один раз и кэшируется между перезапусками интерфейса.")
        st.write("Поддерживается режим работы только по title.")
        st.write(f"Папка модели: `{MODEL_DIR}`")
        st.divider()
        st.subheader("Быстрые примеры")
        for i, example in enumerate(EXAMPLES):
            if st.button(f"Подставить пример {i + 1}", use_container_width=True):
                st.session_state["title_input"] = example["title"]
                st.session_state["abstract_input"] = example["abstract"]


def validate_inputs(title: str, abstract: str) -> str | None:
    if not title.strip() and not abstract.strip():
        return "Введите хотя бы заголовок статьи или abstract."
    if len(title.strip()) > 600:
        return "Заголовок слишком длинный. Пожалуйста, сократите title до 600 символов."
    if len(abstract.strip()) > 8000:
        return "Abstract слишком длинный. Пожалуйста, сократите текст до 8000 символов."
    return None


def main() -> None:
    render_intro()
    render_sidebar()

    if "title_input" not in st.session_state:
        st.session_state["title_input"] = ""
    if "abstract_input" not in st.session_state:
        st.session_state["abstract_input"] = ""

    model_path = Path(MODEL_DIR)
    if not model_path.exists():
        st.error(
            "Папка с моделью не найдена. Сначала обучите модель и сохраните её в "
            f"`{MODEL_DIR}`, либо задайте переменную окружения MODEL_DIR."
        )
        st.stop()

    title = st.text_input(
        "Название статьи",
        key="title_input",
        placeholder="Например: Attention-based methods for scientific text classification",
    )
    abstract = st.text_area(
        "Abstract (необязательно)",
        key="abstract_input",
        placeholder="Вставьте аннотацию статьи. Поле можно оставить пустым.",
        height=220,
    )

    col1, col2 = st.columns([1, 1])
    with col1:
        run = st.button("Классифицировать", type="primary", use_container_width=True)
    with col2:
        clear = st.button("Очистить", use_container_width=True)

    if clear:
        st.session_state["title_input"] = ""
        st.session_state["abstract_input"] = ""
        st.rerun()

    if run:
        error_message = validate_inputs(title, abstract)
        if error_message:
            st.warning(error_message)
            st.stop()

        try:
            predictor = load_predictor(MODEL_DIR)
            with st.spinner("Считаю вероятности классов..."):
                started = time.perf_counter()
                result = predictor.predict(title=title, abstract=abstract, top95_threshold=0.95)
                elapsed = time.perf_counter() - started

            st.success(f"Готово. Время инференса: {elapsed:.2f} сек.")

            st.subheader("Top-95% тематики")
            top95_df = pd.DataFrame(result["top95"])
            top95_df["probability"] = top95_df["probability"].map(lambda x: round(float(x), 4))
            top95_df["cumulative_probability"] = top95_df["cumulative_probability"].map(lambda x: round(float(x), 4))
            st.dataframe(
                top95_df.rename(
                    columns={
                        "label": "Тема",
                        "probability": "Вероятность",
                        "cumulative_probability": "Накопленная вероятность",
                    }
                ),
                use_container_width=True,
                hide_index=True,
            )

            st.subheader("Все вероятности")
            full_df = pd.DataFrame(result["all_probs"])
            full_df["probability"] = full_df["probability"].map(float)
            st.bar_chart(full_df.set_index("label")["probability"])
            st.dataframe(
                full_df.rename(columns={"label": "Тема", "probability": "Вероятность"}),
                use_container_width=True,
                hide_index=True,
            )

            st.caption(
                "Top-95% — это минимальный набор классов, чей суммарный вес достигает не менее 95%."
            )

        except Exception as exc:  # noqa: BLE001
            st.error("Во время инференса произошла ошибка, но приложение не упало.")
            st.exception(exc)


if __name__ == "__main__":
    main()