"""
این سورس جهت خواندن فایل لاگ آموزش مدل و ترسیم نمودار پیشرفت بر اساس فاکتور LOSS ایجاد شده است
"""
import matplotlib.pyplot as plt
import os
import csv

# def find_newest_file(directory):
#     # دریافت لیست فایل‌ها در دایرکتوری
#     files = os.listdir(directory)
#     # بررسی اینکه آیا دایرکتوری خالی است یا خیر
#     if not files:
#         return None  # اگر دایرکتوری خالی باشد، مقدار None بازگردانده می‌شود
    
#     # ایجاد مسیر کامل برای فایل‌ها و پیدا کردن فایل جدیدتر با استفاده از max
#     full_paths = [os.path.join(directory, file) for file in files]
#     newest_file = max(full_paths, key=os.path.getctime)  # بر اساس زمان ایجاد (creation time)
#     return newest_file

def generate_diagram(progress_data:list, model_title:str):
    """
    ایجاد و ذخیره دیاگرام بر اساس داده های مربوط به آموزش مدل
    
    Args:
        progress_data(list): لیست فاکتور loss در ایپاک های آموزش مدل
        model_title(str): نام مدل آموزش دیده
    """
    # آرایه داده‌هایی که قرار است در دیاگرام ترسیم شود
    data = progress_data

    # استخراج مقادیر x و y از آرایه
    x = [int(point[0]) for point in data]
    y = [float(point[1]) for point in data]

    # ترسیم نمودار
    plt.figure(figsize=(8, 6))  # تنظیم اندازه نمودار
    plt.plot(x, y, marker='', linestyle='-', color='b', label='Data Line')  # ترسیم خط همراه با نقاط

    # تنظیم عنوان و برچسب‌های محور
    plt.title("Loss Diagram in Train Process", fontsize=14)
    plt.xlabel("EPOCHS", fontsize=12)
    plt.ylabel("LOSS", fontsize=12)

    # نمایش خطوط شبکه
    plt.grid(True, linestyle='--', alpha=0.7)

    # نمایش legend
    plt.legend()

    plt.savefig(f"./taggers/{model_title}/loss-diagram.png", dpi=300, bbox_inches='tight')
    
    plt.close()
    


def read_log(file_path:str):
    """
    خواندن محتوای فایل loss
    
    Args:
        file_path(str): آدرس فایل loss
        progress(list[tuple]): لیستی شامل شماره ایپاک و loss متناظر با آن
    """
    # read loss file
    with open(file_path, mode="r") as file:
        tsv_reader = csv.reader(file, delimiter="\t")
    
        progress = []
        # iterate each line
        for i,row in enumerate(tsv_reader):
            if i == 0:
                continue
            
            epoch = row[0]
            loss = row[3]
            progress.append((epoch, loss))
    
    return progress
    

def plot_diagram(model_title:str):
    """
    ترسیم نمودار بر اساس لاگ فاکتور LOSS
    
    Args:
        model_title(str): نام مدلی که آموزش داده شده است
        
    Returns:
        tuple: شامل یک کلید بولین که وضعیت موفقیت عملیات را نشان می دهد و نیز توضیحاتی در مورد نتیجه عملیات
    """
    
    result = True, ''
    
    # تنظیم آدرس فایل loss مربوط به این مدل
    loss_log = f'./taggers/{model_title}/loss.tsv'
    # خواندن فایل loss مربوط به مدل
    try:
        progress = read_log(loss_log)
    except:
        result = False, "Error: please check model's path!"
        return result
    
    # ایجاد و ذخیره دیاگرام در پوشه مربوط به مدل
    generate_diagram(progress, model_title)
    print('loss diagram saved!')
    
    result = True, 'loss diagram generated and saved!'
    
    return result

if __name__ == "__main__":
    # تست سورس بر اساس نام مدل
    # چنین مدلی باید در پوشه  taggers وجود داشته باشد
    model_title = '2025-07-21--17-51-49--HooshvareLab--bert-fa-base-uncased-ner-peyma'
    
    result = plot_diagram(model_title)
    print(result[1])