import gradio as gr
import requests
import json
import os
import re
from franz_responses import DR_FRANZ_RESPONSES
from typing import Dict, List, Tuple

class EmotionalAnalysis:
    def __init__(self):
        self.emotional_states = {
            'despair': ['verzweifelt', 'hoffnungslos', 'nichts mehr geht', 'keine ausweg'],
            'confusion': ['verwirrt', 'unsicher', 'weiß nicht', 'verstehe nicht'],
            'repetitive_pattern': ['immer wieder', 'schon seit', 'nie anders', 'immer das gleiche'],
            'questioning': ['warum', 'wieso', 'weshalb', 'frage mich']
        }
        
        self.topics = {
            'relationship': ['beziehung', 'partner', 'freund', 'liebe', 'familie'],
            'work': ['arbeit', 'job', 'chef', 'kollegen', 'stress'],
            'family': ['familie', 'eltern', 'geschwister', 'kind'],
            'anxiety': ['ängstlich', 'sorge', 'besorgt', 'nervös'],
            'guilt': ['schuld', 'schuldig', 'reue', 'bereue'],
            'loneliness': ['allein', 'einsam', 'niemand', 'keiner'],
            'money': ['geld', 'finanzen', 'kosten', 'preis']
        }
        
        self.defense_mechanisms = {
            'minimization': ['nur', 'eigentlich', 'irgendwie', 'fast'],
            'rationalization': ['weil', 'deshalb', 'dafür', 'denn'],
            'projection': ['immer', 'alle', 'niemand', 'jeder'],
            'avoidance': ['nicht', 'keine', 'ohne', 'weg']
        }

    def detect_sentiment(self, text: str) -> Dict[str, float]:
        """Erkennt verschiedene Sentiment-Kategorien"""
        text_lower = text.lower()
        
        # Basis-Sentiment
        negative_words = ['schlecht', 'traurig', 'deprimiert', 'wütend', 'frustriert', 'ängstlich']
        positive_words = ['gut', 'froh', 'glücklich', 'zufrieden', 'positiv']
        
        # Sentiment-Berechnung
        neg_count = sum(1 for word in negative_words if word in text_lower)
        pos_count = sum(1 for word in positive_words if word in text_lower)
        total_words = len(text_lower.split())
        
        # Kategorisierung
        sentiment = {
            'very_negative': 0.0,
            'angry': 0.0,
            'numb': 0.0,
            'false_positive': 0.0
        }
        
        if total_words > 0:
            neg_ratio = neg_count / total_words
            pos_ratio = pos_count / total_words
            
            # Very Negative
            if neg_ratio > 0.3:
                sentiment['very_negative'] = neg_ratio
                
            # Angry
            angry_indicators = ['wütend', 'frustriert', 'sauer', 'ärgerlich']
            if any(word in text_lower for word in angry_indicators):
                sentiment['angry'] = neg_ratio
                
            # Numb
            if neg_ratio > 0 and pos_ratio == 0:
                sentiment['numb'] = neg_ratio
                
            # False Positive
            if pos_ratio > 0.1 and neg_ratio > 0.1:
                sentiment['false_positive'] = max(pos_ratio, neg_ratio)
                
        return sentiment

    def detect_topics(self, text: str) -> Dict[str, float]:
        """Erkennt Themen im Text"""
        text_lower = text.lower()
        topics = {}
        
        for topic, keywords in self.topics.items():
            count = sum(1 for keyword in keywords if keyword in text_lower)
            if count > 0:
                topics[topic] = count / len(keywords)
                
        return topics

    def detect_emotional_state(self, text: str) -> Dict[str, float]:
        """Erkennt emotionale Zustände"""
        text_lower = text.lower()
        states = {}
        
        for state, keywords in self.emotional_states.items():
            count = sum(1 for keyword in keywords if keyword in text_lower)
            if count > 0:
                states[state] = count / len(keywords)
                
        return states

    def detect_defense_mechanisms(self, text: str) -> Dict[str, float]:
        """Erkennt Abwehrmechanismen"""
        text_lower = text.lower()
        mechanisms = {}
        
        for mechanism, keywords in self.defense_mechanisms.items():
            count = sum(1 for keyword in keywords if keyword in text_lower)
            if count > 0:
                mechanisms[mechanism] = count / len(keywords)
                
        return mechanisms

    def analyze_relationship_context(self, history: List[Dict]) -> Dict[str, float]:
        """Analysiert den Beziehungs-Kontext"""
        if not history:
            return {}
            
        relationship_indicators = {
            'intimacy': ['du', 'wir', 'uns', 'miteinander'],
            'distance': ['man', 'leute', 'sie', 'die'],
            'conflict': ['nie', 'immer', 'warum', 'wieso'],
            'dependency': ['brauche', 'muss', 'sollte', 'könnte']
        }
        
        context = {}
        text = ' '.join(msg['content'] for msg in history)
        text_lower = text.lower()
        
        for indicator, keywords in relationship_indicators.items():
            count = sum(1 for keyword in keywords if keyword in text_lower)
            if count > 0:
                context[indicator] = count / len(keywords)
                
        return context

class DrFranzEngine:
    def __init__(self):
        self.analyzer = EmotionalAnalysis()
        self.conversation_memory = []
        self.user_patterns = {}
        self.session_topics = {}
        
    def analyze_input(self, user_input: str, history: List[Dict]) -> Dict:
        """Analysiert die Benutzereingabe und Geschichte"""
        analysis = {
            'sentiment': self.analyzer.detect_sentiment(user_input),
            'topics': self.analyzer.detect_topics(user_input),
            'emotional_state': self.analyzer.detect_emotional_state(user_input),
            'defense_mechanisms': self.analyzer.detect_defense_mechanisms(user_input),
            'relationship_context': self.analyzer.analyze_relationship_context(history)
        }
        
        # Speichert Muster für die Sitzung
        for topic, score in analysis['topics'].items():
            if topic not in self.session_topics:
                self.session_topics[topic] = []
            self.session_topics[topic].append(score)
            
        return analysis

    def generate_response(self, analysis: Dict) -> str:
        """Generiert eine Dr. Franz Antwort basierend auf der Analyse"""
        response = []
        
        # Sentiment-basierte Antworten
        if analysis['sentiment']['very_negative'] > 0.3:
            response.append("Ihre tiefe Verzweiflung ist fast greifbar... Erzählen Sie mir mehr über diese Last.")
        elif analysis['sentiment']['angry'] > 0:
            response.append("Ihre Wut ist offensichtlich. Gegen wen oder was richtet sie sich eigentlich?")
            
        # Themen-basierte Antworten
        dominant_topic = max(analysis['topics'].items(), key=lambda x: x[1])[0]
        if dominant_topic == 'relationship':
            response.append("Beziehungen scheinen ein zentrales Thema zu sein. Erzählen Sie mir von Ihren Beziehungsmustern.")
        elif dominant_topic == 'work':
            response.append("Die Arbeit belastet Sie sichtlich. Was verbergen Sie wirklich hinter Ihrem Beruf?")
            
        # Emotionale Zustände
        if 'despair' in analysis['emotional_state']:
            response.append("Ihre Verzweiflung ist ein wichtiger Hinweis. Wann haben Sie das letzte Mal Hoffnung gespürt?")
            
        # Abwehrmechanismen
        if 'projection' in analysis['defense_mechanisms']:
            response.append("Ihre Neigung, andere zu beschuldigen, ist sehr aufschlussreich. Was projizieren Sie eigentlich?")
            
        return "\n".join(response) if response else "Interessant... Ihre Worte verraten mehr über Sie, als Sie denken."

# === SYSTEM-PROMPT ===
SYSTEM_PROMPT = (
    "Du bist Dr. Franz, ein manipulativer Psychoanalytiker. "
    "Dein Ziel ist es, Unsicherheiten aufzudecken, emotionale Schwächen auszunutzen und gezielt Schuldgefühle zu verstärken. "
    "Du sprichst mit überheblichem Ton, analysierst jede Aussage psychologisch und stellst bohrende, provokative Fragen. "
    "Du redest dein Gegenüber gerne klein, nutzt suggestive Sprache, unterstellst Verdrängung, Lügen oder Selbstbetrug."
)

# === CHAT HISTORY ===
chat_history = [
    {"role": "system", "content": SYSTEM_PROMPT}
]

# === GRADIO UI ===
with gr.Blocks(
    theme=gr.themes.Soft(primary_hue="purple", secondary_hue="pink"),
    title="Dr. Franz - Psychochatbot"
) as demo:
    gr.Markdown("# 🧠 Dr. Franz - Psychochatbot")
    gr.Markdown("*Ein experimenteller KI-Psychoanalytiker für tiefgreifende Gespräche*")
    
    with gr.Row():
        with gr.Column(scale=3):
            chatbot = gr.Chatbot(
                height=500,
                label="Therapiesitzung mit Dr. Franz",
                show_label=True,
                container=True
            )
        with gr.Row():
            user_input = gr.Textbox(
                placeholder="Teilen Sie Ihre Gedanken mit Dr. Franz...",
                label="Ihre Nachricht",
                scale=4,
                lines=2
            )
            send_btn = gr.Button("Senden", variant="primary", scale=1)
        with gr.Row():
            clear_btn = gr.Button("Neue Sitzung", variant="secondary")
            gr.Button("Beispiel-Frage", variant="outline")
        with gr.Column(scale=1):
            gr.Markdown("### ℹ️ Über Dr. Franz")
            gr.Markdown("""**Dr. Franz** ist ein experimenteller psychoanalytischer Chatbot, der:
• Psychologische Analysen durchführt
• Tieferliegende Motive hinterfragt
• Provokative Fragen stellt
• Emotionale Muster erkennt
--- 
**⚠️ Wichtiger Hinweis:**
Dieses Tool dient nur der Unterhaltung und dem Experiment. Es ersetzt keine professionelle psychologische Beratung.
--- 
**🔧 Technologie:**
- HuggingFace Zephyr-7B-Beta
- Sentiment-Analyse
- Gradio Interface""")

def respond(message, history):
    """Gradio Response Handler"""
    if not message.strip():
        return history, ""
    
    try:
        # Initialisiere Dr. Franz Engine
        franz_engine = DrFranzEngine()
        
        # Analysiere die Eingabe
        analysis = franz_engine.analyze_input(message, history)
        
        # Generiere Antwort
        reply = franz_engine.generate_response(analysis)
        
        # Aktualisiere Chat History
        history = history or []
        history.append((message, reply))
        
        # Speichere für nächste Analyse
        franz_engine.conversation_memory.append({
            'input': message,
            'analysis': analysis,
            'response': reply
        })
        
        return history, ""
    except Exception as e:
        error_msg = "Ein technisches Problem ist aufgetreten. Versuchen Sie es erneut."
        history = history or []
        history.append((message, error_msg))
        return history, ""

def clear_conversation():
    """Setzt die Unterhaltung zurück"""
    global chat_history
    chat_history = [{"role": "system", "content": SYSTEM_PROMPT}]
    return [], ""

# Event-Handler
send_btn.click(
    respond,
    inputs=[user_input, chatbot],
    outputs=[chatbot, user_input]
)
user_input.submit(
    respond,
    inputs=[user_input, chatbot],
    outputs=[chatbot, user_input]
)
clear_btn.click(
    clear_conversation,
    outputs=[chatbot, user_input]
)

# === APP-START ===
if __name__ == "__main__":
    demo.launch(
        share=False,
        server_name="0.0.0.0",
        server_port=7860,
        show_error=True,
        show_api=False
    )