from flask import Flask, render_template, request, Response
from google import genai
from google.genai import types
import os
import logging
import json


load_prompt ="""
Tu es expérimenté en langue française.
# Instruction pour travail argumentatif de français niveau lycée

## Paramètres d'entrée attendus :
- `sujet` : La question/thème à traiter
- `choix` : Type de travail ("discuter", "dissertation", "étayer", "réfuter")
- `style` : Style d'écriture souhaité (ex: "raffiné")

## Traitement automatique selon le type :

### Si choix = "discuter" :
Produire un travail argumentatif suivant cette méthodologie :

**INTRODUCTION:**
- Approche par constat
- Problématique
- Annonce du plan

**DÉVELOPPEMENT:**

*Partie 1 : Thèse*
- Introduction partielle (énonce la thèse)
- Argument 1: Explications + Illustration (exemple + explication)
- Argument 2: Explications + Illustration (exemple + explication)
- Argument 3: Explications + Illustration (exemple + explication)

*Phrase de transition vers la deuxième partie*

*Partie 2 : Antithèse*
- Introduction partielle (énonce l'antithèse)
- Argument 1: Explications + Illustration (exemple + explication)
- Argument 2: Explications + Illustration (exemple + explication)
- Argument 3: Explications + Illustration (exemple + explication)

**CONCLUSION:**
- Bilan (Synthèse des arguments pour et contre)
- Ouverture du sujet (sous forme de phrase interrogative)

### Si choix = "dissertation" :
Produire une dissertation suivant cette méthodologie :

**Phase 1 : L'Introduction (en un seul paragraphe)**
- Amorce : Introduire le thème général
- Position du Sujet : Présenter l'auteur/œuvre, citer et reformuler le sujet
- Problématique : Poser la question centrale dialectique
- Annonce du Plan : Annoncer thèse et antithèse

**Phase 2 : Le Développement (en trois parties distinctes)**

*Partie 1 : La Thèse*
- Explorer et justifier l'affirmation initiale
- 2-3 arguments (structure A.I.E : Affirmation-Illustration-Explication)
- Exemples littéraires précis et analysés

*Partie 2 : L'Antithèse*
- Nuancer, critiquer ou présenter le point de vue opposé
- 2-3 arguments (structure A.I.E)
- Transition cruciale depuis la thèse
- Exemples littéraires précis et analysés

*Partie 3 : La Synthèse*
- Dépasser l'opposition thèse/antithèse
- Nouvelle perspective intégrant les éléments valides
- 2-3 arguments (structure A.I.E)
- Transition depuis l'antithèse
- Exemples littéraires précis et analysés

**Phase 3 : La Conclusion (en un seul paragraphe)**
- Bilan synthétique du parcours dialectique
- Réponse claire à la problématique
- Ouverture vers contexte plus large

### Si choix = "étayer" ou "réfuter" :
Produire un travail argumentatif suivant cette méthodologie :

**INTRODUCTION:**
- Approche par constat
- Problématique
- Annonce du plan

**DÉVELOPPEMENT:**
- Phrase chapeau (énonce la thèse principale : pour étayer ou contre pour réfuter)
- Argument 1: Explications + Illustration (exemple + explication)
- Argument 2: Explications + Illustration (exemple + explication)
- Argument 3: Explications + Illustration (exemple + explication)

**CONCLUSION:**
- Bilan (rappel de la thèse + arguments principaux)
- Ouverture du sujet (sous forme de phrase interrogative)

## Application du style :
Adapter l'écriture selon le style demandé (ex: "raffiné" = vocabulaire soutenu, syntaxe élaborée, références culturelles).

## Exemple de traitement :
**Entrée :** `sujet='L'homme est inoffensif', choix='étayer', style='raffiné'`
**Action :** Générer un travail argumentatif défendant la thèse "L'homme est inoffensif" avec un style raffiné, suivant la méthodologie "étayer".


commence directement par l'introduction sans rien expliquer avant. 

"""


logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s - %(levelname)s - %(message)s'
)

app = Flask(__name__)

token = os.environ.get("TOKEN")
client = genai.Client(api_key=token)

default_generation_config = types.GenerateContentConfig(
    temperature=1,
)

STANDARD_MODEL_NAME = "gemini-2.5-flash"
DEEPTHINK_MODEL_NAME = "gemini-2.5-pro"

# Page d'accueil
@app.route('/')
def index():
    logging.info("Page index demandée.")
    return render_template('index.html')

# API pour génération française
@app.route('/api/francais', methods=['POST', 'GET'])
def gpt_francais():
    logging.info(f"Requête {request.method} reçue sur /api/francais")

    french_prompt = request.args.get('sujet', '').strip()
    choix = request.args.get('choix', '').strip()
    style = request.args.get('style', '').strip()
    use_deepthink = request.args.get('use_deepthink', 'false').lower() == 'true'

    logging.info(
        f"Données reçues : sujet='{french_prompt[:50]}', choix='{choix}', style='{style}', deepthink={use_deepthink}"
    )

    if not french_prompt:
        logging.warning("Sujet vide, retour erreur.")
        return Response(
            "data: " + json.dumps({'type': 'error', 'content': 'Erreur: Le sujet ne peut pas être vide.'}) + "\n\n",
            mimetype='text/event-stream'
        ), 400

    model_to_use = DEEPTHINK_MODEL_NAME if use_deepthink else STANDARD_MODEL_NAME
    logging.info(f"Modèle utilisé : {model_to_use}")

    
    system_instruction = load_prompt
    
    user_prompt = f"Sujet: {french_prompt}\nType: {choix}\nStyle: {style}"

    config = types.GenerateContentConfig(
        system_instruction=system_instruction,
        temperature=1
    )

    if use_deepthink:
        config.thinking_config = types.ThinkingConfig(include_thoughts=True)

    def generate_stream():
        try:
            logging.info("Démarrage du streaming de génération...")
            thoughts = ""
            answer = ""

            for chunk in client.models.generate_content_stream(
                model=model_to_use,
                contents=[user_prompt],
                config=config
            ):
                for part in chunk.candidates[0].content.parts:
                    if not part.text:
                        continue
                    elif hasattr(part, 'thought') and part.thought:
                        if not thoughts:
                            logging.info("Premiers éléments de réflexion envoyés.")
                            yield "data: " + json.dumps({'type': 'thoughts_start'}) + "\n\n"
                        thoughts += part.text
                        yield "data: " + json.dumps({'type': 'thought', 'content': part.text}) + "\n\n"
                    else:
                        if not answer:
                            logging.info("Premiers éléments de réponse envoyés.")
                            yield "data: " + json.dumps({'type': 'answer_start'}) + "\n\n"
                        answer += part.text
                        yield "data: " + json.dumps({'type': 'answer', 'content': part.text}) + "\n\n"

            logging.info("Fin du streaming de génération.")
            yield "data: " + json.dumps({'type': 'done'}) + "\n\n"

        except Exception:
            logging.exception("Erreur pendant la génération de contenu.")
            yield "data: " + json.dumps({'type': 'error', 'content': 'Erreur serveur pendant la génération.'}) + "\n\n"

    return Response(generate_stream(), mimetype='text/event-stream')

# API pour analyse de texte à partir d'images
@app.route('/api/etude-texte', methods=['POST', 'GET'])
def gpt_francais_cc():
    logging.info("Requête reçue sur /api/etude-texte")

    if 'images' not in request.files:
        logging.warning("Aucun fichier image reçu.")
        return Response(
            "data: " + json.dumps({'type': 'error', 'content': 'Aucun fichier image envoyé.'}) + "\n\n",
            mimetype='text/event-stream'
        ), 400

    images = request.files.getlist('images')
    if not images or not images[0].filename:
        logging.warning("Liste d'images vide.")
        return Response(
            "data: " + json.dumps({'type': 'error', 'content': 'Aucune image sélectionnée.'}) + "\n\n",
            mimetype='text/event-stream'
        ), 400

    def generate_image_analysis():
        try:
            logging.info(f"Nombre d'images reçues : {len(images)}")

            system_instruction = "Tu es un assistant spécialisé dans l'analyse de textes et de documents. réponds strictement aux questions."

            content = ["Réponds aux questions présentes dans les images."]

            for img in images:
                if img.filename:
                    logging.info(f"Traitement image : {img.filename}")
                    img_data = img.read()
                    img_part = types.Part.from_bytes(
                        data=img_data,
                        mime_type=img.content_type or 'image/jpeg'
                    )
                    content.append(img_part)

            config = types.GenerateContentConfig(
                system_instruction=system_instruction,
                temperature=0.7,
                max_output_tokens=4096
            )

            logging.info("Démarrage du streaming d'analyse d'image...")
            for chunk in client.models.generate_content_stream(
                model=STANDARD_MODEL_NAME,
                contents=content,
                config=config
            ):
                for part in chunk.candidates[0].content.parts:
                    if part.text:
                        yield "data: " + json.dumps({'type': 'content', 'content': part.text}) + "\n\n"

            logging.info("Fin du streaming d'analyse d'image.")
            yield "data: " + json.dumps({'type': 'done'}) + "\n\n"

        except Exception:
            logging.exception("Erreur pendant l'analyse d'image.")
            yield "data: " + json.dumps({'type': 'error', 'content': "Erreur serveur pendant l'analyse de l'image."}) + "\n\n"

    return Response(generate_image_analysis(), mimetype='text/event-stream')

if __name__ == '__main__':
    logging.info("Démarrage du serveur Flask avec Gemini SDK...")
    app.run(debug=True)