import gradio as gr
import fitz  # PyMuPDF
import pandas as pd
import requests
from io import BytesIO
from models import evaluate_with_gpt, evaluate_with_gemma, evaluate_with_bloom, evaluate_with_jabir
def extract_text_from_pdf(pdf_file):
    """Extract text from PDF file."""
    doc = fitz.open(pdf_file)
    text = ""
    for page in doc:
        text += page.get_text()
    return text

def evaluate_with_jabir(resume_text, job_description):
    prompt = f"""بر اساس این معیار های اندازه گیری که در زیر عنوان شده:
    وضعیت خدمت سربازی
    ، سن،
    محل سکونت،
    محدوده حقوق پرداختی
    ، میزان سابقه کار مدیریتی،
    میزان سابقه کار مرتبط با گروه شغلی مشابه
    ، میزان سابقه کار در صنعت،
    میزان تحصیلات،
    مهارت زبان،
    مهارت های نرم افزاری
    بیا درصد تطابق رزومه فرد با شرح شغلی را محاسبه کن و برای هر معیار اندازه گیری درصد تطابق را محاسبه کن و نهایتا یک درصد کلی برای تطابق رزومه فرد با شرح شغلی بده
    میخوام خیلی دقیق محاسبه کنی و این درصد ها را در خروجی به صورت جیسون برگردان
        روی مهارت ها بیشتر دقت  کن و تک به تک برسی کن 
        شرح شغل: {job_description}
        رزومه: {resume_text}"""

    base_url = "https://api.jabirproject.org/generate"
    headers = {"apikey": "7471142a-deb4-4a70-8ee3-6603e21bcc1d"}
    data = {
        "messages": [{"role": "user", "content": prompt}]
    }

    response = requests.post(base_url, headers=headers, json=data)

    if response.ok:
        return response.json()
    else:
        return f"Error: {response.status_code}, {response.text}"

def evaluate_resume(resume_text, job_description, model):
    """Evaluates the resume text using the specified model."""
    if model == "GPT-4o":
        return evaluate_with_gpt(resume_text, job_description)
    elif model == "Gemma":
        return evaluate_with_gemma(resume_text, job_description)
    elif model == "Bloom":
        return evaluate_with_bloom(resume_text, job_description)
    elif model == "jabir":
        return evaluate_with_jabir(resume_text, job_description)
    elif model == "llama":
        return evaluate_with_llama(resume_text, job_description)
    else:
        # If "All" is selected, evaluate with all models and return combined results.
        return evaluate_all_models(resume_text, job_description)

def create_excel_output(results, job_description_features):
    """Creates an Excel file from the results."""
    # Create a DataFrame from the results
    df = pd.DataFrame(results)
    
    # Insert job description features in the second row
    job_desc_row = pd.Series(job_description_features)
    df.loc[-1] = job_desc_row  # adding a row
    df.index = df.index + 1  # shifting index
    df = df.sort_index()  # sorting by index to place it at the second row

    # Save to Excel
    output = BytesIO()
    with pd.ExcelWriter(output, engine='xlsxwriter') as writer:
        df.to_excel(writer, index=False)
    output.seek(0)
    return output

def evaluate_multiple_resumes(resume_files, job_description, model):
    """Evaluates multiple resumes and returns the results."""
    results = []
    job_description_features = {
        "وضعیت خدمت سربازی": "", 
        "سن": "", 
        "محل سکونت": "", 
        "محدوده حقوق پرداختی": "", 
        "میزان سابقه کار مدیریتی": "", 
        "میزان سابقه کار مرتبط با گروه شغلی مشابه": "", 
        "میزان سابقه کار در صنعت": "", 
        "میزان تحصیلات": "", 
        "مهارت زبان": "", 
        "مهارت های نرم افزاری": ""
    }

    for resume_file in resume_files:
        title = resume_file.name
        resume_text = extract_text_from_pdf(resume_file)
        result = evaluate_resume(resume_text, job_description, model)
        
        # Adding the title of the resume and the total match percentage
        resume_data = {
            "رزومه": title,
            "درصد تطابق کلی": result.get("overall_match_percentage", 0)
        }
        
        # Adding each feature match to the resume data
        for feature, match in result.get("feature_matches", {}).items():
            resume_data[feature] = match
        
        # Adding skills as a list in one column
        resume_data["مهارت ها"] = ", ".join(result.get("skills", []))
        
        results.append(resume_data)

    # Create Excel output
    output = create_excel_output(results, job_description_features)
    return output

iface = gr.Interface(
    fn=evaluate_multiple_resumes,
    inputs=[
        gr.File(type="file", label="Upload Resumes PDF", file_count="multiple"),
        gr.Textbox(lines=10, label="Job Description"),
        gr.Radio(choices=["GPT-4o", "Gemma", "Bloom", "jabir", "llama", "All"], label="Choose Model")
    ],
    outputs=gr.File(label="Download Excel File"),
    title="Multiple Resume Evaluator"
)

iface.launch()