import streamlit as st
import spacy
import networkx as nx
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from .semantic_analysis import (
    create_concept_graph,
    visualize_concept_graph,
    identify_key_concepts,
    POS_COLORS,
    POS_TRANSLATIONS,
    ENTITY_LABELS
)

def compare_semantic_analysis(text1, text2, nlp, lang):
    """
    Realiza el análisis semántico comparativo entre dos textos
    """
    doc1 = nlp(text1)
    doc2 = nlp(text2)

    # Identificar conceptos clave para ambos documentos
    key_concepts1 = identify_key_concepts(doc1)
    key_concepts2 = identify_key_concepts(doc2)

    # Crear grafos de conceptos para ambos documentos
    G1 = create_concept_graph(doc1, key_concepts1)
    G2 = create_concept_graph(doc2, key_concepts2)

    # Visualizar los grafos de conceptos
    fig1 = visualize_concept_graph(G1, lang)
    fig2 = visualize_concept_graph(G2, lang)

    # Remover los títulos superpuestos
    fig1.suptitle("")
    fig2.suptitle("")

    return fig1, fig2, key_concepts1, key_concepts2

def create_concept_table(key_concepts):
    """
    Crea una tabla de conceptos clave con sus frecuencias
    """
    df = pd.DataFrame(key_concepts, columns=['Concepto', 'Frecuencia'])
    df['Frecuencia'] = df['Frecuencia'].round(2)
    return df

def perform_discourse_analysis(text1, text2, nlp, lang):
    """
    Realiza el análisis completo del discurso
    """
    graph1, graph2, key_concepts1, key_concepts2 = compare_semantic_analysis(text1, text2, nlp, lang)
    
    # Crear tablas de conceptos clave
    table1 = create_concept_table(key_concepts1)
    table2 = create_concept_table(key_concepts2)

    return {
        'graph1': graph1,
        'graph2': graph2,
        'key_concepts1': key_concepts1,
        'key_concepts2': key_concepts2,
        'table1': table1,
        'table2': table2,
        'success': True
    }