"""
ایجاد بردار جملات - امبدینگ
"""
from sentence_transformers import SentenceTransformer
from fastapi import FastAPI
import json
import datetime
import numpy as np

date = datetime.datetime.now()
today = f'{date.year}-{date.month}-{date.day}-{date.hour}'

model_name = 'sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2'#89-25
# model_name = 'sentence-transformers/paraphrase-multilingual-mpnet-base-v2'#87-30
# model_name = 'sharif-dal/dal-bert'#90-41
# model_name = 'lifeweb-ai/shiraz'#97-67
# model_name = 'BAAI/bge-m3'#90-35
# model_name = 'jinaai/jina-embeddings-v3'#??
# model_name = 'jinaai/jina-embeddings-v4'#??
# model_name = 'HooshvareLab/bert-base-parsbert-uncased'#90-54
model = SentenceTransformer(model_name)

def do_word_embedder(sections):
    for index, id in enumerate(sections):
        embeddings = single_section_embedder(sections[id]['content'])
        sections[id]['embeddings'] = embeddings.tolist()
    
    with open(f'./data/embeddings/sections_embeddings_{today}.json', 'w', encoding='utf-8') as output_file:
        data = json.dumps(sections, ensure_ascii=False)
        output_file.write(data)
    
    return sections
    
    
    


# Create a FastAPI app instance
# یک نمونه از برنامه FastAPI ایجاد می‌کنیم
app = FastAPI()

# Your method, wrapped in an API endpoint
# متد شما که در یک نقطه پایانی API قرار گرفته
@app.post("/single_section_embedder/")
def single_section_embedder(sentence: str):
    """
    این نقطه پایانی، متن ورودی را تبدیل به بردار متناظر آن می کند.
    
    **Args:**
        sentence (str): متن یک سکشن
    
    **Returns:**
        list: لیست بردار متناظر با متن ورودی
    """
    # Use the loaded model to encode the sentence
    # برای تبدیل متن به بردار از مدلی که در بالا لود شده استفاده می‌کنیم
    embeddings = model.encode(sentence)
    
    # The output of model.encode is a NumPy array, which needs to be converted
    # to a list to be returned as a JSON response.
    # خروجی model.encode یک آرایه NumPy هست که باید به لیست تبدیل بشه
    # تا به عنوان یک پاسخ JSON برگردانده بشه.
    return {"embeddings": embeddings.tolist()}





def cosine_similarity(vec1, vec2):
    dot_product = np.dot(vec1, vec2)  # ضرب داخلی دو بردار
    norm_vec1 = np.linalg.norm(vec1) # نُرم بردار اول
    norm_vec2 = np.linalg.norm(vec2) # نُرم بردار دوم
    return dot_product / (norm_vec1 * norm_vec2)

if __name__ == '__main__':
    embd1 = single_section_embedder("۲ – درصد مشارکت و سهم پرداختی کارفرما نسبت به مأخذ کسر حق بیمه به صندوقهای فعال در سطح همگانی بیمههای اجتماعی و درمانی یکسان خواهد بود.")
    embd2 = single_section_embedder("۳ – درصد مشارکت و سهم پرداختی بیمهشده نسبت به مأخذ کسر حق بیمه به صندوقهای فعال در سطح همگانی بیمههای اجتماعی و درمانی یکسان خواهد بود.")
    # embd2 = get_sentence_embeddings("تو کم گذاشتی وگرنه شکست نمی خوردی")
    similarity = cosine_similarity(embd1, embd2)
    print(f'similarity: {similarity}')