import os
import torch
from fastapi import FastAPI
from pydantic import BaseModel, Field
from comet import load_from_checkpoint
from huggingface_hub import snapshot_download, HfApi

# ==========================================================
# 🚀 Configuração da API
# ==========================================================
app = FastAPI(
    title="XCOMET-XL API",
    version="1.5.0",
    description="API para avaliação de traduções usando Unbabel/XCOMET-XL, "
                "compatível com campos 'source', 'target' e 'human_translation_ref'."
)

MODEL_NAME = "Unbabel/XCOMET-XL"
HF_TOKEN = os.environ.get("HF_TOKEN")  # defina nas Secrets do Space
SPACE_REPO_ID = os.environ.get("SPACE_REPO_ID", "nairut/comet-xxl")

# Diretório de cache local (dentro do espaço, permitido para escrita)
MODEL_DIR = os.path.join(os.path.dirname(__file__), "model")
MODEL_CKPT = os.path.join(MODEL_DIR, "checkpoints", "model.ckpt")


# ==========================================================
# ⚙️  Função auxiliar: baixa e persiste o modelo
# ==========================================================
def ensure_model_persisted_once():
    """
    Faz o download do modelo XCOMET-XL para ./model (caso ainda não exista)
    e tenta commitar essa pasta no próprio Space, para persistência.
    """
    if os.path.exists(MODEL_CKPT):
        print(f"✅ Modelo já existe em {MODEL_CKPT}. Pulando download.")
        return

    print("🔽 Baixando snapshot do modelo para ./model ...")
    snapshot_download(
        repo_id=MODEL_NAME,
        token=HF_TOKEN,
        local_dir=MODEL_DIR,
        local_dir_use_symlinks=False
    )

    assert os.path.exists(MODEL_CKPT), f"Checkpoint não encontrado: {MODEL_CKPT}"

    # tenta persistir no próprio Space (opcional)
    try:
        print("⬆️  Enviando pasta 'model/' para o repositório do Space ...")
        api = HfApi(token=HF_TOKEN)
        api.upload_folder(
            repo_id=SPACE_REPO_ID,
            repo_type="space",
            folder_path=MODEL_DIR,
            path_in_repo="model",
            commit_message="Persistência automática do modelo XCOMET-XL"
        )
        print("✅ Modelo persistido no Space.")
    except Exception as e:
        print(f"⚠️ Falha ao persistir modelo no Space: {e}")
        print("   (prosseguindo com o modelo local para esta sessão)")


# ==========================================================
# 📦 Inicialização do modelo
# ==========================================================
ensure_model_persisted_once()

print(f"📂 Carregando modelo de {MODEL_CKPT} ...")
model = load_from_checkpoint(MODEL_CKPT)
print("✅ Modelo XCOMET-XL carregado com sucesso!")

USE_GPU = 1 if torch.cuda.is_available() else 0
print(f"⚙️ GPU detectada: {'sim' if USE_GPU else 'não'}")


# ==========================================================
# 🧠 Estrutura dos dados de entrada
# ==========================================================
class TranslationPair(BaseModel):
    source: str = Field(alias="source", description="Texto original")
    target: str = Field(alias="target", description="human-translation")
    machine_translation:  str = Field(alias="machine_translation", description="human-translation")

    class Config:
        allow_population_by_field_name = True


# ==========================================================
# 🔧 Função utilitária
# ==========================================================
def prepare_data(pairs: list[TranslationPair]):
    """
    Converte lista de TranslationPair no formato esperado pelo COMET:
    [{"src": ..., "mt": ..., "ref": ...}, ...]
    """
    data = []
    for p in pairs:
        src = str(p.source).strip()
        mt = str(p.machine_translation).strip()
        ref = str(p.target).strip()

        item = {"src": src, "mt": mt, "ref":ref}
        data.append(item)
    return data



# ==========================================================
# 🌐 Endpoints 
# ==========================================================
@app.get("/")
def root():
    return {
        "message": "🚀 XCOMET-XL API ativa e pronta para uso!",
        "gpu_enabled": bool(USE_GPU),
        "available_endpoints": ["/score", "/score_batch"]
    }


@app.post("/score")
def score_single(pair: TranslationPair):
    """
    Avalia um único par de tradução (source → target) com COMET-XL.
    """
    try:
        data = [{
            "src": str(pair.source),
            "mt": str(pair.target),
            "ref": str(pair.machine_rtanslation)
        }]
        output = model.predict(data, batch_size=8, gpus=USE_GPU)
        return {
            "system_score": getattr(output, "system_score", None),
            "segment_scores": getattr(output, "scores", None),
            "metadata": getattr(output, "metadata", None)
        }
    except Exception as e:
        print(f"❌ Erro em /score: {e}")
        return {"error": str(e)}


@app.post("/score_batch")
def score_batch(pairs: list[TranslationPair]):
    """
    Avalia múltiplos pares de tradução em lote (batch).
    """
    try:
        data = prepare_data(pairs)
        print(f"📊 Lote recebido: {len(data)} pares válidos")

        # reduz batch_size para evitar estouro de VRAM
        output = model.predict(data, batch_size=8, gpus=USE_GPU)

        return {
            "system_score": getattr(output, "system_score", None),
            "segment_scores": getattr(output, "scores", None),
            "metadata": getattr(output, "metadata", None)
        }
    except Exception as e:
        print(f"❌ Erro no batch: {e}")
        return {"error": str(e)}


# ==========================================================
# ▶️ Execução local (para debug)
# ==========================================================
if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=7860)