import os
import glob
import uvicorn
from fastapi import FastAPI
from sentence_transformers import SentenceTransformer
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

app = FastAPI()

# Загружаем модель для создания эмбеддингов
model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')

# Папка с файлами лора
LORE_DIR = './lore'

# Параметры нарезки текста
CHUNK_SIZE = 1000  # символов
CHUNK_OVERLAP = 100  # перекрытие кусков для связности текста

# Загружаем и обрабатываем лор
def load_lore_chunks():
    chunks = []
    file_paths = glob.glob(os.path.join(LORE_DIR, '*.txt'))
    
    for path in file_paths:
        with open(path, 'r', encoding='utf-8') as f:
            text = f.read()
            # чистим мусорные символы
            text = ''.join(c if 0x20 <= ord(c) <= 0xFFFF else ' ' for c in text)
            # разбиваем на кусочки
            for i in range(0, len(text), CHUNK_SIZE - CHUNK_OVERLAP):
                chunk = text[i:i + CHUNK_SIZE].strip()
                if chunk:
                    chunks.append(chunk)
    return chunks

# Загружаем чанки и строим эмбеддинги
print("Идёт загрузка файлов...")
lore_chunks = load_lore_chunks()
lore_embeddings = model.encode(lore_chunks)
print(f"Загружено {len(lore_chunks)} частей текста.")

# Функция для поиска лучшего ответа
def find_best_answer(question):
    question_embedding = model.encode([question])[0]
    similarities = cosine_similarity([question_embedding], lore_embeddings)[0]
    best_idx = np.argmax(similarities)
    return lore_chunks[best_idx]

@app.get("/")
def read_root():
    return {"message": "Добро пожаловать в Лор-Бота!"}

@app.get("/ask/")
def ask_question(q: str):
    answer = find_best_answer(q)
    return {"question": q, "answer": answer}