import streamlit as st
from transformers import pipeline, AutoTokenizer, AutoModelForTokenClassification, AutoModelForSequenceClassification, AutoModelForCausalLM
import pandas as pd

# Uygulama sayfa ayarları
st.set_page_config(layout="wide")

# Örnek metin listesi
example_list = [
    "Mustafa Kemal Atatürk 1919 yılında Samsun'a çıktı.",
    "Bugün hava çok güzel ve enerjik hissediyorum.",
    "Yapay zeka ve makine öğrenimi hakkında birçok gelişme var."
]

# Uygulama başlığı
st.title("NLP Toolkit")

# Görev seçimi
task_list = ['Metin Sınıflandırma', 'Metin Analizi', 'Duygu Analizi', 'Metin Oluşturma', 'Varlık Tanıma']
task = st.sidebar.selectbox("Görev Seç", task_list)

# Metin giriş yöntemi
st.subheader("Metin Giriş Yöntemi Seç")
input_method = st.radio("", ('Örneklerden Seç', 'Metin Yaz veya Yapıştır'))

# Metin girişine göre seçim
if input_method == 'Örneklerden Seç':
    selected_text = st.selectbox('Metin Seç', example_list)
    input_text = st.text_area("Seçilen Metin", selected_text, height=128)
elif input_method == "Metin Yaz veya Yapıştır":
    input_text = st.text_area('Metin Yaz veya Yapıştır', '', height=128)

@st.cache_resource
def load_pipeline(model_name, task_type):
    if task_type == "Metin Sınıflandırma":
        model = AutoModelForSequenceClassification.from_pretrained("nlptown/bert-base-multilingual-uncased-sentiment")
        tokenizer = AutoTokenizer.from_pretrained("nlptown/bert-base-multilingual-uncased-sentiment")
        return pipeline('text-classification', model=model, tokenizer=tokenizer)
    elif task_type == "Metin Analizi":
        model = AutoModelForTokenClassification.from_pretrained("dbmdz/bert-base-turkish-cased")
        tokenizer = AutoTokenizer.from_pretrained("dbmdz/bert-base-turkish-cased")
        return pipeline('ner', model=model, tokenizer=tokenizer)
    elif task_type == "Duygu Analizi":
        model = AutoModelForSequenceClassification.from_pretrained("cardiffnlp/twitter-roberta-base-sentiment")
        tokenizer = AutoTokenizer.from_pretrained("cardiffnlp/twitter-roberta-base-sentiment")
        return pipeline('sentiment-analysis', model=model, tokenizer=tokenizer)
    elif task_type == "Metin Oluşturma":
        model = AutoModelForCausalLM.from_pretrained("gpt2")
        tokenizer = AutoTokenizer.from_pretrained("gpt2")
        return pipeline('text-generation', model=model, tokenizer=tokenizer)

# Görev ve modele göre pipeline yükleme
model_dict = {
    "Metin Sınıflandırma": "nlptown/bert-base-multilingual-uncased-sentiment",
    "Metin Analizi": "dbmdz/bert-base-turkish-cased",
    "Duygu Analizi": "cardiffnlp/twitter-roberta-base-sentiment",
    "Metin Oluşturma": "gpt2",
    "Varlık Tanıma": "dbmdz/bert-base-turkish-cased"
}

pipeline_model = load_pipeline(model_dict[task], task)

def process_entities(entities, text):
    """
    Varlıkları birleştirip anlamlı bir şekilde düzenler.
    """
    processed_entities = []
    current_entity = None
    
    for entity in entities:
        if entity['entity'].startswith('I-'):
            if current_entity and current_entity['label'] == entity['entity']:
                current_entity['word'] += entity['word'].replace('##', '')
                current_entity['end'] = entity['end']
                current_entity['score'] = max(current_entity['score'], entity['score'])
            else:
                if current_entity:
                    processed_entities.append(current_entity)
                current_entity = {
                    'label': entity['entity'],
                    'word': entity['word'].replace('##', ''),
                    'start': entity['start'],
                    'end': entity['end'],
                    'score': entity['score']
                }
        else:
            if current_entity:
                processed_entities.append(current_entity)
                current_entity = None
    if current_entity:
        processed_entities.append(current_entity)
    
    return processed_entities

if st.button("Çalıştır") and input_text:
    if task in ["Metin Sınıflandırma", "Duygu Analizi"]:
        output = pipeline_model(input_text)
        df = pd.DataFrame(output)
        st.subheader(f"{task} Sonuçları")
        st.dataframe(df)
    elif task == "Metin Analizi":
        output = pipeline_model(input_text)
        
        # Process entities
        processed_entities = []
        for entity in output:
            word = entity['word']
            label = entity['entity']
            score = entity['score']
            start = entity['start']
            end = entity['end']
            processed_entities.append({
                'word': word,
                'label': label,
                'score': score,
                'start': start,
                'end': end
            })
        
        # Aggregate entities
        df = pd.DataFrame(process_entities(processed_entities, input_text))
        st.subheader("Tanımlanan Varlıklar")
        st.dataframe(df)
        
        # Metni formatla
        def format_text(text_data, original_text):
            formatted_text = ""
            last_end = 0
            for item in text_data:
                if item['start'] > last_end:
                    formatted_text += original_text[last_end:item['start']]
                word = item['word']
                label = item['label']
                score = item['score']
                if label.startswith('I-PER'):
                    color = 'blue'
                elif label.startswith('I-MISC'):
                    color = 'green'
                else:
                    color = 'gray'
                formatted_text += f"<span style='color:{color}; font-weight: bold;'>{word} ({label}, {score:.2f})</span>"
                last_end = item['end']
            if last_end < len(original_text):
                formatted_text += original_text[last_end:]
            return formatted_text

        formatted_text = format_text(process_entities(processed_entities, input_text), input_text)
        st.subheader("Analiz Edilen Metin")
        st.markdown(f"<p>{formatted_text}</p>", unsafe_allow_html=True)
    elif task == "Metin Oluşturma":
        output = pipeline_model(input_text, max_length=100, num_return_sequences=1)
        st.subheader("Oluşturulan Metin")
        st.write(output[0]['generated_text'])