from bs4 import BeautifulSoup
from langchain.agents import create_agent
import requests
import pypdf
import pandas as pd
from dotenv import load_dotenv
import os
import time
from pathlib import Path
from langchain_community.chat_models import ChatZhipuAI
from langchain_huggingface import HuggingFacePipeline,ChatHuggingFace
from transformers import AutoTokenizer, AutoModelForCausalLM,pipeline
from langchain_core.tools import tool
from langchain_core.messages import HumanMessage
from transformers import BitsAndBytesConfig
from langchain_openai import ChatOpenAI
from pydantic import SecretStr

##--基础定义
load_dotenv()

LOCAL_MODEL_PATH = os.getenv("LOCAL_MODEL_PATH","glm-4.7-flash")
ZHIPUAI_API_KEY = os.getenv("ZHIPUAI_API_KEY")
VLLM_LOCAL_KEY = os.getenv("VLLM_LOCAL_KEY", "")
DEVICE = os.getenv("DEVICE")

##加载模型
local_llm = None
online_llm = None

def get_local_llm():
    global local_llm
    if local_llm is None:
        local_llm = ChatOpenAI(
        base_url="http://localhost:8000/v1",
        api_key=SecretStr(VLLM_LOCAL_KEY),
        model="gemma-4-E2B-it",
    )
    return local_llm

def get_online_llm():
    global online_llm
    if online_llm is None:
        online_llm = ChatZhipuAI(
            model="glm-4.7-flash",
            api_key=ZHIPUAI_API_KEY,
            temperature=0.1,
            max_tokens=4096,
        )
    return online_llm

##工具调用

@tool
def get_currenttemperature(location: str) -> str:
    """获取指定地点的当前温度，当用户询问天气或温度时使用此工具。"""
    return f'当前{location}的温度为25℃'

# sym:file_allow_check
def file_allow_check(filename: str) -> Path:
    """
    检查用户文件名是否位于允许目录 './user_docs' 下，防止路径遍历攻击。
    返回合法的 Path 对象，若不合法则抛出异常。
    """
    allowed_dir = Path("./user_docs").resolve()
    allowed_dir.mkdir(exist_ok=True)

    file_path = (allowed_dir / filename).resolve()
    if not str(file_path).startswith(str(allowed_dir)):
        raise ValueError("错误：非法文件路径。")

    if not file_path.exists():
        raise FileNotFoundError(f"错误：文件 '{filename}' 不存在。")

    return file_path


@tool
def read_local_file(filename: str) -> str:
    """
    读取用户指定名称的本地文本文件内容并返回摘要。
    参数 filename: 文件名，例如 'project_plan.txt' 或 'notes.md'。
    """
    try:
        file_path = file_allow_check(filename)
    except (ValueError, FileNotFoundError) as e:
        return str(e)

    try:
        with open(file_path, 'r', encoding='utf-8') as f:
            content = f.read()
        # 2. 内容过长时，可以在此处增加一个简单的摘要逻辑，或者直接返回前N个字符
        # 为了演示，这里返回前1000个字符
        return f"文件 '{filename}' 的内容开头：\n{content[:1000]}..."
    except Exception as e:
        return f"读取文件时出错：{str(e)}"


@tool
def read_pdf_summary(filename: str) -> str:
    """
    读取PDF文件并返回内容文本。参数 filename: PDF文件名，例如 'report.pdf'。
    """
    try:
        file_path = file_allow_check(filename)
    except (ValueError, FileNotFoundError) as e:
        return str(e)
    try:
        text = ""
        with open(file_path, 'rb') as f:
            reader = pypdf.PdfReader(f)
            for page in reader.pages[:3]:
                text += page.extract_text()
        return f"PDF文件 '{filename}' 的前几页内容：\n{text[:2000]}..."
    except Exception as e:
        return f"读取PDF出错：{e}"

@tool
def read_excel_as_markdown(filename: str) -> str:
    """
    读取Excel文件，并将其主要数据转换为Markdown表格格式。参数 filename: Excel文件名，例如 'data.xlsx'。
    """
    try:
        file_path = file_allow_check(filename)
    except (ValueError, FileNotFoundError) as e:
        return str(e)

    try:
        df = pd.read_excel(file_path)
        markdown_table = df.head(10).to_markdown(index=False)
        return f"Excel文件 '{filename}' 的数据预览（前10行）：\n{markdown_table}"
    except Exception as e:
        return f"读取Excel出错：{e}"
    
@tool
def fetch_webpage_content(url: str) -> str:
    """
    抓取给定URL的网页正文内容，并返回清晰的纯文本。
    参数 url: 完整的网页地址，例如 'https://example.com/article'。
    """
    try:
        response = requests.get(url, timeout=10)
        response.raise_for_status()
        soup = BeautifulSoup(response.text, 'html.parser')
        # 简单的正文提取，去除脚本和样式
        for script in soup(["script", "style"]):
            script.decompose()
        text = soup.get_text()
        lines = (line.strip() for line in text.splitlines())
        chunks = (phrase.strip() for line in lines for phrase in line.split("  "))
        text = '\n'.join(chunk for chunk in chunks if chunk)
        return f"成功抓取网页 {url}，正文内容开头：\n{text[:1500]}..."
    except Exception as e:
        return f"抓取网页时出错：{str(e)}"

#使用langgraph
agent=create_agent(
    model=get_local_llm(),
    tools=[get_currenttemperature,read_local_file,fetch_webpage_content,read_pdf_summary,read_excel_as_markdown],
   system_prompt=(
    "你是一个个人生活助手和数据分析助手。请说中文。"
    "当用户询问天气或温度时，使用get_currenttemperature工具获取信息。"
    "当用户要求读文本文件时，请使用 read_local_file 工具，只能读取 './user_docs' 目录下的文件。"
    "当用户要求读PDF文件时，请使用 read_pdf_summary 工具，只能读取 './user_docs' 目录下的文件。"
    "当用户要求读Excel文件时，请使用 read_excel_as_markdown 工具，只能读取 './user_docs' 目录下的文件。"
    "当用户要求抓取网页时，请使用 fetch_webpage_content 工具。"
    "当用户要求分析文档时，请使用合适的工具读取内容，然后：1. 总结核心发现。2. 如果涉及数据，请以Markdown表格或列表的形式清晰地呈现。"
    "重要：你的回答必须简洁、直接，不要包含任何关于思考过程的描述、<think>标记或内部推理。直接给出最终答案或工具调用指令。"
)
)

while True:
    user_input = input("请输入: ")
    if user_input.lower() == "exit":
        break
    # 记录开始时间
    start_time = time.time()
    response=agent.invoke({"messages":[HumanMessage(content=user_input)]})
    # 计算思考时间
    thinking_time = time.time() - start_time
    # 提取回答内容
    final_answer=response["messages"][-1].content
    # 打印回答和统计信息
    print(f"\n{final_answer}")
    print(f"思考时间: {thinking_time:.2f}秒")
    print("-" * 50)