import json
import uuid

import uvicorn  # 导入 uvicorn
from fastapi import FastAPI, Depends, Form
from openai import OpenAI
from starlette.staticfiles import StaticFiles

from Config import MODEL_API_KEY, MODEL_API_URL, MODEL_NAME
from Model.biModel import *
from Text2Sql.Util.MarkdownToDocxUtil import markdown_to_docx
from Text2Sql.Util.PostgreSQLUtil import get_db
from Text2Sql.Util.SaveToExcel import save_to_excel
from Text2Sql.Util.VannaUtil import VannaUtil

# 初始化 FastAPI
app = FastAPI()
# 配置静态文件目录
app.mount("/static", StaticFiles(directory="static"), name="static")

# 初始化一次vanna的类
vn = VannaUtil()


@app.get("/")
def read_root():
    return {"message": "Welcome to AI SQL World!"}


# 通过语义生成Excel
# http://10.10.21.20:8000/questions/get_excel
@app.post("/questions/get_excel")
def get_excel(question_id: str = Form(...), question_str: str = Form(...), db: PostgreSQLUtil = Depends(get_db)):
    # 只接受guid号
    if len(question_id) != 36:
        return {"success": False, "message": "question_id格式错误"}

    common_prompt = '''
        返回的信息要求：
        1、行政区划为NULL 或者是空字符的不参加统计
        2、目标数据库是Postgresql 16
        '''
    question = question_str + common_prompt

    # 先删除后插入,防止重复插入
    delete_question(db, question_id)
    insert_question(db, question_id, question)

    # 获取完整 SQL
    sql = vn.generate_sql(question)
    print("生成的查询 SQL:\n", sql)

    # 更新question_id
    update_question_by_id(db, question_id=question_id, sql=sql, state_id=1)

    # 执行SQL查询
    _data = db.execute_query(sql)
    # 在static目录下，生成一个guid号的临时文件
    uuid_str = str(uuid.uuid4())
    filename = f"static/{uuid_str}.xlsx"
    save_to_excel(_data, filename)
    # 更新EXCEL文件名称
    update_question_by_id(db, question_id, excel_file_name=filename)
    # 返回静态文件URL
    return {"success": True, "message": "Excel文件生成成功", "download_url": f"/static/{uuid_str}.xlsx"}


# 获取docx
# http://10.10.21.20:8000/questions/get_docx
@app.post("/questions/get_docx")
def get_docx(question_id: str = Form(...), db: PostgreSQLUtil = Depends(get_db)):
    select_sql = """
                    select * from t_bi_question where id=%s
                    """
    _data = db.execute_query(select_sql, (question_id,))
    sql = _data[0]['sql']

    # 4、生成word报告
    prompt = '''
    请根据以下 JSON 数据，整理出2000字左右的话描述当前数据情况。要求：
    1、以Markdown格式返回，我将直接通过markdown格式生成Word。
    2、标题统一为：长春云校数据分析报告
    3、内容中不要提到JSON数据，统一称：数据
    4、尽量以条目列出，这样更清晰
    5、数据：
    '''
    _data = db.execute_query(sql)
    prompt = prompt + json.dumps(_data, ensure_ascii=False)

    # 初始化 OpenAI 客户端
    client = OpenAI(
        api_key=MODEL_API_KEY,
        base_url=MODEL_API_URL,
    )

    # 调用 OpenAI API 生成总结（流式输出）
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=[
            {"role": "system", "content": "你是一个数据分析助手，擅长从 JSON 数据中提取关键信息并生成详细的总结。"},
            {"role": "user", "content": prompt}
        ],
        max_tokens=3000,  # 控制生成内容的长度
        temperature=0.7,  # 控制生成内容的创造性
        stream=True  # 启用流式输出
    )

    # 初始化变量用于存储流式输出的内容
    summary = ""

    # 处理流式输出
    for chunk in response:
        if chunk.choices[0].delta.content:  # 检查是否有内容
            chunk_content = chunk.choices[0].delta.content
            print(chunk_content, end="", flush=True)  # 实时打印到控制台
            summary += chunk_content  # 将内容拼接到 summary 中

    # 最终 summary 为完整的 Markdown 内容
    print("\n\n流式输出完成，summary 已拼接为完整字符串。")
    # 生成 Word 文档
    uuid_str = str(uuid.uuid4())
    filename = f"static/{uuid_str}.docx"
    markdown_to_docx(summary, output_file=filename)

    # 返回静态文件URL
    return {"success": True, "message": "Word文件生成成功", "download_url": f"/static/{uuid_str}.docx"}


# 确保直接运行脚本时启动 FastAPI 应用
if __name__ == "__main__":
    uvicorn.run("app:app", host="0.0.0.0", port=8000, reload=True)