app.py

import gradio as gr
from sdc_classifier import SDCClassifier
from dotenv import load_dotenv

# Load environment variables
load_dotenv()

def main():
    # Ініціалізуємо класифікатор
    classifier = SDCClassifier()
    
    # Спроба завантажити початкові класи та signatures
    DEFAULT_CLASSES_FILE = "classes_short.json"
    DEFAULT_SIGNATURES_FILE = "signatures.npz"
    
    print("Завантаження початкових класів...")
    classifier.load_classes(DEFAULT_CLASSES_FILE)
    
    if classifier.classes_json:
        print("Ініціалізація signatures...")
        try:
            init_message = classifier.initialize_signatures(
                signatures_file=DEFAULT_SIGNATURES_FILE
            )
            print(f"Результат ініціалізації: {init_message}")
        except Exception as e:
            print(f"ПОПЕРЕДЖЕННЯ: Помилка при ініціалізації signatures: {str(e)}")
    else:
        print("Очікую завантаження класів через інтерфейс...")

    with gr.Blocks() as demo:
        gr.Markdown("# SDC Classifier з Gradio")
        
        with gr.Tabs():
            # Вкладка 1: Single Text Testing
            with gr.TabItem("Тестування одного тексту"):
                with gr.Row():
                    with gr.Column():
                        text_input = gr.Textbox(
                            label="Введіть текст для аналізу",
                            lines=5,
                            placeholder="Введіть текст..."
                        )
                        threshold_slider = gr.Slider(
                            minimum=0.0,
                            maximum=1.0,
                            value=0.3,
                            step=0.05,
                            label="Поріг впевненості"
                        )
                        single_process_btn = gr.Button("Проаналізувати")
                    
                    with gr.Column():
                        result_text = gr.JSON(label="Результати аналізу")
                
                # Налаштування моделі
                with gr.Accordion("Налаштування моделі", open=False):
                    with gr.Row():
                        model_choice = gr.Dropdown(
                            choices=["text-embedding-3-large","text-embedding-3-small"],
                            value="text-embedding-3-large",
                            label="OpenAI model"
                        )
                        json_file = gr.File(
                            label="Завантажити новий JSON з класами",
                            file_types=[".json"]
                        )
                        force_rebuild = gr.Checkbox(
                            label="Примусово перебудувати signatures",
                            value=False
                        )
                    with gr.Row():
                        build_btn = gr.Button("Оновити signatures")
                        build_out = gr.Label(label="Статус signatures")
                
            # Вкладка 2: Batch Processing
            with gr.TabItem("Пакетна обробка"):
                gr.Markdown("## 1) Завантаження даних")
                with gr.Row():
                    csv_input = gr.Textbox(
                        value="messages.csv",
                        label="CSV-файл"
                    )
                    emb_input = gr.Textbox(
                        value="embeddings.npy",
                        label="Numpy Embeddings"
                    )
                    load_btn = gr.Button("Завантажити дані")
                
                load_output = gr.Label(label="Результат завантаження")
                
                gr.Markdown("## 2) Класифікація")
                with gr.Row():
                    filter_in = gr.Textbox(label="Фільтр (опціонально)")
                    batch_threshold = gr.Slider(
                        minimum=0.0,
                        maximum=1.0,
                        value=0.3,
                        step=0.05,
                        label="Поріг впевненості"
                    )
                
                classify_btn = gr.Button("Класифікувати")
                classify_out = gr.Dataframe(label="Результат (Message / Target / Scores)")
                
                gr.Markdown("## 3) Зберегти результати")
                save_btn = gr.Button("Зберегти розмічені дані")
                save_out = gr.Label()

        gr.Markdown("""
        ### Інструкція:
        1. У вкладці "Налаштування моделі" можна:
           - Завантажити новий JSON файл з класами
           - Вибрати модель для embeddings
           - Примусово перебудувати signatures
        2. Після зміни класів натисніть "Оновити signatures"
        3. Використовуйте повзунок "Поріг впевненості" для фільтрації результатів
        4. На вкладці "Пакетна обробка" можна аналізувати багато повідомлень
        5. Результати можна зберегти в CSV файл
        """)
        
        # Підключення обробників подій
        def update_with_file(file, model_name, force):
            if file is None:
                return "Виберіть файл з класами"
            try:
                temp_path = file.name
                classifier.load_classes(temp_path)
                return classifier.initialize_signatures(
                    model_name=model_name,
                    signatures_file=DEFAULT_SIGNATURES_FILE,
                    force_rebuild=force
                )
            except Exception as e:
                return f"Помилка при оновленні: {str(e)}"

        single_process_btn.click(
            fn=lambda text, threshold: classifier.process_single_text(text, threshold),
            inputs=[text_input, threshold_slider],
            outputs=result_text
        )
        
        build_btn.click(
            fn=update_with_file,
            inputs=[json_file, model_choice, force_rebuild],
            outputs=build_out
        )
        
        load_btn.click(
            fn=lambda csv, emb: classifier.load_data(csv, emb),
            inputs=[csv_input, emb_input],
            outputs=load_output
        )
        
        classify_btn.click(
            fn=lambda filter_str, threshold: classifier.classify_rows(filter_str, threshold),
            inputs=[filter_in, batch_threshold],
            outputs=classify_out
        )
        
        save_btn.click(
            fn=lambda: classifier.save_results("messages_with_labels.csv"),
            inputs=[],
            outputs=save_out
        )

    demo.launch(server_name="0.0.0.0", server_port=7860, share=True)

if __name__ == "__main__":
    main()