utils.py

from __future__ import annotations
from typing import TYPE_CHECKING, Any, Callable, Dict, List, Tuple, Type
import logging
import json
import os
from datetime import datetime
import hashlib
import csv
import requests
import re
import html
import markdown2
import torch 
import sys
import gc
from pygments.lexers import guess_lexer, ClassNotFound
import time
import json
import operator
from typing import Annotated, Sequence, TypedDict
import pprint

import gradio as gr
from pypinyin import lazy_pinyin
import tiktoken
import mdtex2html
from markdown import markdown
from pygments import highlight
from pygments.lexers import guess_lexer,get_lexer_by_name
from pygments.formatters import HtmlFormatter

from langchain.chains import LLMChain, RetrievalQA
from langgraph.graph import END, StateGraph
from langchain_openai import ChatOpenAI
from langchain_community.document_loaders import PyPDFLoader, WebBaseLoader, UnstructuredWordDocumentLoader, DirectoryLoader
from langchain.document_loaders.blob_loaders.youtube_audio import YoutubeAudioLoader
from langchain.document_loaders.generic import GenericLoader
from langchain.document_loaders.parsers import OpenAIWhisperParser
from langchain.schema import AIMessage, HumanMessage
from langchain_community.llms import HuggingFaceHub
from langchain_community.llms import HuggingFaceTextGenInference
from langchain_community.embeddings import HuggingFaceInstructEmbeddings, HuggingFaceEmbeddings, HuggingFaceBgeEmbeddings, HuggingFaceInferenceAPIEmbeddings
from langchain_community.tools import DuckDuckGoSearchRun
from langchain.retrievers.tavily_search_api import TavilySearchAPIRetriever
from typing import Dict, TypedDict
from langchain_core.messages import BaseMessage
from langchain_openai import OpenAIEmbeddings
from langchain.prompts import PromptTemplate


from langchain import hub
from langchain.output_parsers.openai_tools import PydanticToolsParser
from langchain.prompts import PromptTemplate
from langchain.schema import Document
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_community.vectorstores import Chroma
from langchain_core.messages import BaseMessage, FunctionMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_core.runnables import RunnablePassthrough
from langchain_core.utils.function_calling import convert_to_openai_tool
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from chromadb.errors import InvalidDimensionException
import io
from PIL import Image, ImageDraw, ImageOps, ImageFont
import base64
from tempfile import NamedTemporaryFile

import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
from nltk.stem import WordNetLemmatizer
nltk.download('punkt')

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

from reportlab.lib.pagesizes import inch, A4
from reportlab.platypus import SimpleDocTemplate, Frame, Spacer
from reportlab.lib import colors
from reportlab.lib.units import mm
from reportlab.platypus import Paragraph, SimpleDocTemplate, Frame, Image, Table, ListFlowable, ListItem
from reportlab.lib.styles import getSampleStyleSheet, ParagraphStyle
from reportlab.lib.units import cm

logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s [%(levelname)s] [%(filename)s:%(lineno)d] %(message)s",
)

################################################
#Beispiel-Antworten, wenn die KI etwas nicht beantworten kann - dann im Netz suchen
################################################
# Your predefined sentences
ANTWORT_WEISS_NICHT = ["ich weiß nicht.", "ich weiß das nicht", "Ich habe dazu keine Antwort", "Ich bin nicht sicher", "Ich kann das nicht beantworten", "Es tut mir leid, aber ich kenne keinen", "Es tut mir leid, aber ich kann die Frage nicht beantworten.", "Es tut mir leid, aber ich kann die Frage nicht beantworten, da ich zu der Frage keine spezifischen Informatioen habe"]

#################################################
#Gesetzte Werte für Pfade, Prompts und Keys..
#################################################
#################################################
#Prompt Zusätze
template = """\Antworte in deutsch, wenn es nicht explizit anders gefordert wird. Wenn du die Antwort nicht kennst, antworte direkt, dass du es nicht weißt.
            Versuche nicht es zu umschreiben. Versuche nicht, die Antwort zu erfinden oder aufzumocken. Halte die Antwort kurz aber ausführlich genug und exakt."""

llm_template = "Beantworte die Frage am Ende. " + template + "Frage: {question} "
#nur für HF für Stichwotre bei chatverlauf
llm_template2 = "Fasse folgenden Text als Überschrift mit maximal 3 Worten zusammen. Text: {question}  "

rag_template = "Nutze die folgenden Kontexte (Beginnend mit dem Wort 'Kontext:') aus Teilen aus den angehängten Dokumenten, um die Frage (Beginnend mit dem Wort 'Frage: ') am Ende zu beantworten. Wenn du die Frage aus dem folgenden Kontext nicht beantworten kannst, dann versuche eine Beantwortung aus deinen eigenen trainierten Daten zu finden. Mache das kenntlich, ob du dich auf den hier angehängten Kontext beziehst oder ob du anhand deiner Daten antwortest. Wenn du dich auf den angegebenen Kontext beziehst, gib unbedingt den Namen des Dokumentes an, auf den du dich beziehst." + template + "Kontext: {context} Frage: {question}"

#################################################
#Konstanten
LLM_CHAIN_PROMPT = PromptTemplate(input_variables = ["question"], 
                                  template = llm_template)
#nur für HF bei chatverlauf
LLM_CHAIN_PROMPT2 = PromptTemplate(input_variables = ["question"], 
                                  template = llm_template2)

RAG_CHAIN_PROMPT = PromptTemplate(input_variables = ["context", "question"], 
                                  template = rag_template)


################################################
#Pfad, wo Docs/Bilder/Filme abgelegt werden können - lokal, also hier im HF Space (sonst auf eigenem Rechner)
PATH_WORK = "."
CHROMA_DIR  = "/chroma/kkg"
CHROMA_PDF = './chroma/kkg/pdf'
CHROMA_WORD = './chroma/kkg/word'
CHROMA_EXCEL = './chroma/kkg/excel'
YOUTUBE_DIR = "/youtube"
HISTORY_PFAD = "/data/history"

###############################################
#URLs zu Dokumenten oder andere Inhalte, die einbezogen werden sollen
PDF_URL       = "https://arxiv.org/pdf/2303.08774.pdf"
WEB_URL       = "https://openai.com/research/gpt-4"
YOUTUBE_URL_1 = "https://www.youtube.com/watch?v=--khbXchTeE"
YOUTUBE_URL_2 = "https://www.youtube.com/watch?v=hdhZwyf24mE"
#YOUTUBE_URL_3 = "https://www.youtube.com/watch?v=vw-KWfKwvTQ"
#spezielle Webseiten als Datenbasis laden
urls = [
    "https://kkg.hamburg.de/unser-leitbild/"
    "https://kkg.hamburg.de/unsere-schulcharta/",
    "https://kkg.hamburg.de/koordination-unterrichtsentwicklung/",
    "https://kkg.hamburg.de/konzept-medien-und-it-am-kkg/",
]

#################################################
# Retrieval Funktion, um KI-Antwort mit vorgegebenen zu vergleichen
# Function to determine if the response is similar to predefined responses
def is_response_similar(response, threshold=0.7):
    if (len(response) < 160): #nur bei sehr kurzen Antworten prüfen, ob eine Art 2ich weiß nicht dabei ist
        # Combine the standard responses with the user's response
        combined_responses = ANTWORT_WEISS_NICHT + [response]
    
        # Convert text to TF-IDF feature vectors
        vectorizer = TfidfVectorizer()
        tfidf_matrix = vectorizer.fit_transform(combined_responses)
    
        # Compute cosine similarity between user's response and standard responses
        cosine_similarities = cosine_similarity(tfidf_matrix[-1], tfidf_matrix[:-1])
    
        # Check if any of the standard responses are similar to the user's response
        if np.max(cosine_similarities) > threshold:
            return True
        return False
    return False


##################################################
#Normalisierung eines Prompts
##################################################
def normalise_prompt (prompt):
    #alles Kleinbuchstaben
    prompt_klein =prompt.lower()
    #Word Tokenisation
    tokens = word_tokenize(prompt_klein)
    #Punktuierung entfernen
    tokens = [word for word in tokens if word.isalnum()]
    # Stop Word Entfernung
    #nltk.download('stopwords')
    #stop_words = set(stopwords.words('english'))
    #tokens = [word for word in tokens if not word in stop_words]
    # 5. Lemmatisierung: Worte in Grundform bringen, um Text besser vergleichen zu können
    #nltk.download('wordnet')
    #lemmatizer = WordNetLemmatizer()
    #tokens = [lemmatizer.lemmatize(word) for word in tokens]
    # 6. Handling Special Characters (Remove non-alphanumeric characters)
    tokens = [re.sub(r'\W+', '', word) for word in tokens]    
    # 7. Spell Check (optional, using a library like pyspellchecker)
    # from spellchecker import SpellChecker
    # spell = SpellChecker()
    # tokens = [spell.correction(word) for word in tokens]
    # Join tokens back to sentence
    normalized_prompt = ' '.join(tokens)
    print("normaiserd prompt..................................")
    print(normalized_prompt)
    return normalized_prompt

##################################################
#RAG Hilfsfunktionen - Dokumenten bearbeiten für Vektorstore
##################################################
##################################################
# Funktion, um für einen best. File-typ ein directory-loader zu definieren
def create_directory_loader(file_type, directory_path):
    #verscheidene Dokument loaders:
    loaders = {
        '.pdf': PyPDFLoader,
        '.word': UnstructuredWordDocumentLoader,
    }
    return DirectoryLoader(
        path=directory_path,
        glob=f"**/*{file_type}",
        loader_cls=loaders[file_type],
    )
################################################    
#die Inhalte splitten, um in Vektordatenbank entsprechend zu laden als Splits
def document_loading_splitting():
    ##############################
    # Document loading
    docs = []
    
    # kreiere einen DirectoryLoader für jeden file type
    pdf_loader = create_directory_loader('.pdf', CHROMA_PDF)
    word_loader = create_directory_loader('.word', CHROMA_WORD)
    
    # Load the files
    pdf_documents = pdf_loader.load()
    word_documents = word_loader.load()

    #urls -zum Thema passend
    docs_web = [WebBaseLoader(url).load() for url in urls]
    docs_list = [item for sublist in docs_web for item in sublist]

    #alle zusammen in docs...
    #pdf_docs als Liste umschreiben, um es mit den anderen Materialien in der docs_list zusammenzubringen
    pdf_list = [pdf_documents]
    word_list = [word_documents]
    #die neuen Dokeumente der Gesamt-Liste von material hinzufügen
    #alle zusammen in docs...
    for doc in pdf_list:
        docs_list.extend(doc)
    for doc in word_list:
        docs_list.extend(doc)

    #andere loader...
    # Load PDF
    #loader = PyPDFLoader(PDF_URL)
    #docs.extend(loader.load())
    # Load Web
    #loader = WebBaseLoader(WEB_URL)
    #docs.extend(loader.load())
    # Load YouTube
    #loader = GenericLoader(YoutubeAudioLoader([YOUTUBE_URL_1,YOUTUBE_URL_2], PATH_WORK + YOUTUBE_DIR), OpenAIWhisperParser())
    #docs.extend(loader.load())
    ################################
    # Document splitting
    text_splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(chunk_size=1500, chunk_overlap=250)
    doc_splits = text_splitter.split_documents(docs_list)
    #text_splitter = RecursiveCharacterTextSplitter(chunk_overlap = 150, chunk_size = 1500)
    #splits = text_splitter.split_documents(docs)
    
    return doc_splits

###########################################
#Chroma DB die splits ablegen - vektorisiert...
def document_storage_chroma(splits):
    # Add to vectorDB - mit Embeddings von OpenAi - Embeddings sind zur Klassifizierung der Dokumente im Vektorraum nötig
    vectorstore = Chroma.from_documents(documents = splits, embedding = OpenAIEmbeddings(disallowed_special = ()),  persist_directory = PATH_WORK + CHROMA_DIR) 
    retriever = vectorstore.as_retriever(search_kwargs = {"k": 5})

    #HF embeddings--------------------------------------
    #Chroma.from_documents(documents = splits, embedding = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False}),  persist_directory = PATH_WORK + CHROMA_DIR)  
    return vectorstore, retriever

    
#Dokumente, die vom Retriever rausgesucht wurden auf Relevanz untersuchen
def grade_documents_direct(prompt, documents):
    print("---CHECK RELEVANCE---")
    
    # Data model
    class grade(BaseModel):
        #Binary score for relevance check. 
        binary_score: str = Field(description="Relevanz Bewertung 'ja' oder 'nein'")
    
    # LLM
    model = ChatOpenAI(temperature=0.3, model="gpt-3.5-turbo-1106", streaming=True)

    # Tool
    grade_tool_oai = convert_to_openai_tool(grade)

    # LLM with tool and enforce invocation
    llm_with_tool = model.bind(
        tools=[convert_to_openai_tool(grade_tool_oai)],
        tool_choice={"type": "function", "function": {"name": "grade"}},
    )

    # Parser
    parser_tool = PydanticToolsParser(tools=[grade])

    # Prompt
    prompt_gesamt = PromptTemplate(
        template="""Du bist ein Bewerter, der die Relevanz von einem erhaltenen Dokument zu einer Nutzeranfrage bewerten soll. \n
        Hier ist das erhaltene Dokument: \n\n {context} \n\n
        Hier ist die Nutzeranfrage: {question} \n
        Wenn das erhaltene Dokument Keywörter oder semantische Bedeutung in Bezug auf die Nutzeranfrage hat, bewerte es als relevant. \n
        Gib eine binäre Bewertung von 'ja' oder 'nein' Bewertung, um anzuzeigen ob das Dokuemnt relevant ist zur Nutzeranfrage oder nicht.""",
        input_variables=["context", "question"],
    )
    
    # Chain
    chain = prompt_gesamt | llm_with_tool | parser_tool

    # Score
    filtered_docs = []
    for d in documents:
        #print(d.page_content)
        score = chain.invoke({"question": prompt, "context": d.page_content})
        grade = score[0].binary_score
        if grade == "ja":
            print("---Bewertung: Dokument ist relevant---")
            filtered_docs.append(d)
        else:
            print("---Bewertung: Dokument irrelevant---")
            continue
        
    return filtered_docs

#Prompt überarbeiten, wenn RAG angeschaltet, aber der Relevanz Check nicht genügend positive Eergebnisse gebracht hat
#ChatGPT selbst formuliert den neuen Prompt
def transform_query_direct(question):
    print("---TRANSFORM QUERY---")

    # Create a prompt template with format instructions and the query
    prompt = PromptTemplate(
        template="""Du generierst Fragen, die optimiert sind für das Retrieval von Dokumenten. \n
        Schaue auf den input und versuche die zugrundeliegende Absicht / Bedeutung zu bewerten. \n
        Hier ist die ursprüngliche Frage:
        \n ------- \n
        {question} 
        \n ------- \n
        Formuliere eine verbesserte Frage: """,
        input_variables=["question"],
    )

    # Grader
    model = ChatOpenAI(temperature=0, model="gpt-4-0125-preview", streaming=True)

    # Prompt
    chain = prompt | model | StrOutputParser()
    better_question = chain.invoke({"question": question})

    return better_question


###############################################
#Langchain anlegen
###############################################
#langchain nutzen, um prompt an LLM zu leiten - llm und prompt sind austauschbar
def llm_chain(llm, prompt):
    llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
    result = llm_chain.run({"question": prompt})
    return result

#nur für HF-um bei chatverlauf kurzbeschreibung zu erzeugen
def llm_chain2(llm, prompt):
    llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT2)
    result = llm_chain.run({"question": prompt})
    return result

    
#############################################
#langchain nutzen, um prompt an llm zu leiten, aber vorher in der VektorDB suchen, um passende splits zum Prompt hinzuzufügen
#die erhaltenen dokumente (vom retriever) werden einem Relevanzcheck unterzogen, bevor sie an ChatGPT zum Beantworten gehen
#den Relevanzcheck macht ebenfalls ein anderes KI-Modell. Wenn zu wenig relevante Dokumente rausgesucht wurden, wird die ursprüngliche Freage neu formuliert - und ein zweiter Versuch findet statt
def rag_chain(llm, prompt,  retriever):
    #Langgraph nutzen für ein wenig mehr Intelligenz beim Dokumente suchen
    relevant_docs=[]
    filtered_docs=[]
    relevant_docs = retriever.get_relevant_documents(prompt)
    print("releant docs1......................")
    print(relevant_docs)
    if (len(relevant_docs)>0):
        filtered_docs = grade_documents_direct(prompt, relevant_docs)
    
    neu_prompt=prompt
    if (len(filtered_docs)<2): #frage neu formulieren
        relevant_docs=[]
        neu_prompt = transform_query_direct(prompt)
        relevant_docs = retriever.get_relevant_documents(neu_prompt)
        if (len(relevant_docs)>0):
            print("releant docs2......................")
            print(relevant_docs)
            filtered_docs = grade_documents_direct(neu_prompt, relevant_docs)

    if (len(filtered_docs)>0):
        llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT)
        result = llm_chain.run({"context": filtered_docs, "question": neu_prompt})
    else:
        #Normale Abfrage, da keine relevanten Dokumente gefunden
        llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
        result = llm_chain.run({"question": neu_prompt})
    return result

    
############################################
#dokumente in chroma db vektorisiert ablegen können - die Db vorbereiten daüfur
def document_retrieval_chroma(llm, prompt):  
    #OpenAI embeddings -------------------------------
    embeddings = OpenAIEmbeddings()

    #HF embeddings -----------------------------------
    #Alternative Embedding - für Vektorstore, um Ähnlichkeitsvektoren zu erzeugen - die ...InstructEmbedding ist sehr rechenaufwendig
    #embeddings = HuggingFaceInstructEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2", model_kwargs={"device": "cpu"})
    #etwas weniger rechenaufwendig:
    #embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False})

    #ChromaDb um die embedings zu speichern
    db = Chroma(embedding_function = embeddings, persist_directory = PATH_WORK + CHROMA_DIR)
    return db

############################################
#dokumente in chroma db vektorisiert ablegen können - die Db vorbereiten daüfur
#zweite Variante, passend zu rag_chain2 für generate_text_mit_bild- ohne llm vorher festlegen zu müssen
def document_retrieval_chroma2(): 
    #OpenAI embeddings -------------------------------
    embeddings = OpenAIEmbeddings()

    #HF embeddings -----------------------------------
    #Alternative Embedding - für Vektorstore, um Ähnlichkeitsvektoren zu erzeugen - die ...InstructEmbedding ist sehr rechenaufwendig
    #embeddings = HuggingFaceInstructEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2", model_kwargs={"device": "cpu"})
    #etwas weniger rechenaufwendig:
    #embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-mpnet-base-v2", model_kwargs={"device": "cpu"}, encode_kwargs={'normalize_embeddings': False})
    #oder einfach ohne Langchain:
    #embeddings = SentenceTransformerEmbeddings(model_name="all-MiniLM-L6-v2")

    #ChromaDb um die embedings zu speichern
    db = Chroma(embedding_function = embeddings, persist_directory = PATH_WORK + CHROMA_DIR)
    print ("Chroma DB bereit ...................")
    
    return db 
    
###########################################
#dokumente in mongo db vektorisiert ablegen können - die Db vorbereiten daüfür
def document_retrieval_mongodb(llm, prompt):
    db = MongoDBAtlasVectorSearch.from_connection_string(MONGODB_URI,
                                                         MONGODB_DB_NAME + "." + MONGODB_COLLECTION_NAME,
                                                         OpenAIEmbeddings(disallowed_special = ()),
                                                         index_name = MONGODB_INDEX_NAME)
    return db

###############################################
#Langchain anlegen
###############################################
#langchain nutzen, um prompt an LLM zu leiten - llm und prompt sind austauschbar
def llm_chain(llm, prompt):
    llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
    result = llm_chain.run({"question": prompt})
    return result

#nur für HF-um bei chatverlauf kurzbeschreibung zu erzeugen
def llm_chain2(llm, prompt):
    llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT2)
    result = llm_chain.run({"question": prompt})
    return result
#############################################
#von der Vektordatenbank relevante Dokumente, die zum Prrompt passen raussuchen und mit anhängen
#vor dem Anhängen werden die Dokumente auf Relevnz gecheckt - sind nicht genüend relevante Docs dabei, wird der prompt von einer anderen KI neu formuliert und 
#es wird versucht aus der Vektordatenbak dadurch weitere Dokumente, die relevant sind, herauszuholen.
def rag_chain(llm, prompt,  retriever):
    #Langgraph nutzen für ein wenig mehr Intelligenz beim Dokumente suchen
    relevant_docs=[]
    filtered_docs=[]
    relevant_docs = retriever.get_relevant_documents(prompt)
    print("releant docs1......................")
    print(relevant_docs)
    if (len(relevant_docs)>0):
        filtered_docs = grade_documents_direct(prompt, relevant_docs)
    
    neu_prompt=prompt
    if (len(filtered_docs)<2): #frage neu formulieren
        relevant_docs=[]
        neu_prompt = transform_query_direct(prompt)
        relevant_docs = retriever.get_relevant_documents(neu_prompt)
        if (len(relevant_docs)>0):
            print("releant docs2......................")
            print(relevant_docs)
            filtered_docs = grade_documents_direct(neu_prompt, relevant_docs)

    if (len(filtered_docs)>0):
        llm_chain = LLMChain(llm = llm, prompt = RAG_CHAIN_PROMPT)
        result = llm_chain.run({"context": filtered_docs, "question": neu_prompt})
    else:
        #Normale Abfrage, da keine relevanten Dokumente gefunden
        llm_chain = LLMChain(llm = llm, prompt = LLM_CHAIN_PROMPT)
        result = llm_chain.run({"question": neu_prompt})
    return result


############################################
# rag_chain Alternative für RAg mit Bild-Upload, da hier das llm so nicht genutzt werden kann und der prompt mit den RAG Erweiterungen anders übergeben wird
#langchain nutzen, um prompt an llm zu leiten, aber vorher in der VektorDB suchen, um passende splits zum Prompt hinzuzufügen
#prompt mit RAG!!!
def rag_chain2(prompt, db, k=3):
    rag_template = "Nutze die folgenden Kontext Teile am Ende, um die Frage zu beantworten . " + template + "Frage: " + prompt + "Kontext Teile: "
    retrieved_chunks  = db.similarity_search(prompt, k)

    neu_prompt = rag_template 
    for i, chunk in enumerate(retrieved_chunks):
        neu_prompt += f"{i+1}. {chunk}\n"

    return neu_prompt

###################################################
#Prompts mit History erzeugen für verschiednee Modelle
###################################################
#Funktion, die einen Prompt mit der history zusammen erzeugt - allgemein
def generate_prompt_with_history(text, history, max_length=4048):
    #prompt = "The following is a conversation between a human and an AI assistant named Baize (named after a mythical creature in Chinese folklore). Baize is an open-source AI assistant developed by UCSD and Sun Yat-Sen University. The human and the AI assistant take turns chatting. Human statements start with [|Human|] and AI assistant statements start with [|AI|]. The AI assistant always provides responses in as much detail as possible, and in Markdown format. The AI assistant always declines to engage with topics, questions and instructions related to unethical, controversial, or sensitive issues. Complete the transcript in exactly that format.\n[|Human|]Hello!\n[|AI|]Hi!"   
    #prompt = "Das folgende ist eine Unterhaltung in deutsch zwischen einem Menschen und einem KI-Assistenten, der Baize genannt wird. Baize ist ein open-source KI-Assistent, der von UCSD entwickelt wurde. Der Mensch und der KI-Assistent chatten abwechselnd miteinander in deutsch. Die Antworten des KI Assistenten sind immer so ausführlich wie möglich und in Markdown Schreibweise und in deutscher Sprache. Wenn nötig übersetzt er sie ins Deutsche. Die Antworten des KI-Assistenten vermeiden Themen und Antworten zu unethischen, kontroversen oder sensiblen Themen. Die Antworten sind immer sehr höflich formuliert..\n[|Human|]Hallo!\n[|AI|]Hi!"   
    prompt=""
    history = ["\n{}\n{}".format(x[0],x[1]) for x in history]
    history.append("\n{}\n".format(text))
    history_text = ""
    flag = False
    for x in history[::-1]:
            history_text = x + history_text
            flag = True
    print("hist+prompt: ")
    print(history_text)
    if flag:
        return  prompt+history_text
    else:
        return None


##############################################
#Prompt und History für OPenAi Schnittstelle
def generate_prompt_with_history_openai(prompt, history):
    history_openai_format = []
    for human, assistant in history:
        history_openai_format.append({"role": "user", "content": human })
        history_openai_format.append({"role": "assistant", "content":assistant})

    history_openai_format.append({"role": "user", "content": prompt})
    print("openai history und prompt................")
    print(history_openai_format)
    return history_openai_format

#############################################
#Prompt und History für Hugging Face Schnittstelle
def generate_prompt_with_history_hf(prompt, history):
    history_transformer_format = history + [[prompt, ""]]
    #stop = StopOnTokens()

    messages = "".join(["".join(["\n<human>:"+item[0], "\n<bot>:"+item[1]])  #curr_system_message +
                for item in history_transformer_format])

##############################################
#Prompt und History für Langchain Schnittstelle
def generate_prompt_with_history_langchain(prompt, history):
    history_langchain_format = []
    for human, ai in history:
        history_langchain_format.append(HumanMessage(content=human))
        history_langchain_format.append(AIMessage(content=ai))
    history_langchain_format.append(HumanMessage(content=prompt))
  
    return history_langchain_format
        
##########################################
#Json für OpenAI Genaeration Chat zusammenstellen
##########################################
##########################################
#ein hochgeladenes Bild so vorbereiten, dass OpenAI API es annehmen kann und bearbeiten
#muss ein base64 Bils sein und header und payload entsprechend konfigurieren
def process_image(image_path, prompt, model_image, oai_key):
    # Convert image to base64
    with open(image_path, "rb") as image_file:
        encoded_string = base64.b64encode(image_file.read()).decode('utf-8')

    # Prepare the data for the API request (specific to the API you're using)
    headers = {
              "Content-Type": "application/json",
              "Authorization": f"Bearer {oai_key}"
            }
    payload = {
      "model": model_image,
      "messages": [
        {
          "role": "user",
          "content": [
            {
              "type": "text",
              "text":  llm_template + prompt
            },
            {
              "type": "image_url",
              "image_url": {
                "url": f"data:image/jpeg;base64,{encoded_string}"
              }
            }
          ]
        }
      ],
      "max_tokens": 300
    }   
    return headers, payload


def process_chatverlauf(prompt, model, oai_key):
    #um die Abfrage nur für den Namen des chats nicht zu lang werden zu lassen, den Prompt begrenzen:
    if (len(prompt)>50):
        prompt = prompt[:50]
    # Prepare the data for the API request (specific to the API you're using)
    headers = {
              "Content-Type": "application/json",
              "Authorization": f"Bearer {oai_key}"
            }
    payload = {
      "model": model,
      "messages": [
        {
          "role": "user",
          "content": [
            {
              "type": "text",
              "text":  'Gib folgendem Text eine Überschrift mit maximal 2 Worten' + prompt
            },
          ]
        }
      ],
      "max_tokens": 100
    }   
    return headers, payload

def process_chatverlauf_hf(history, llm):
    input = generate_prompt_with_history("Gib folgendem Text eine Überschrift mit maximal 3 Worten", history)
    result = llm_chain2(llm, input)
    return result

#######################################################
#Funktionen, um aus der summary des chatverlaufs eine Datei zu machen, die man downloaden kann
def save_and_download(chat_history):
    # Speichere den Chatverlauf in einer temporären Datei
    with NamedTemporaryFile(delete=False, mode="w", suffix=".txt", dir="./temp") as tmp:
        temp_file_path = tmp.name
        tmp.write(chat_history)
    return temp_file_path

def cleanup(file_path):
    if os.path.exists(file_path):
        os.remove(file_path)


########################################################
#Ausgabe im Chatbot aufhübschen...
########################################################
def markdown_to_html_with_syntax_highlight(md_str):
    def replacer(match):
        lang = match.group(1) or "text"
        code = match.group(2)
        lang = lang.strip()
        #print(1,lang)
        if lang=="text":
            lexer = guess_lexer(code)
            lang = lexer.name
            #print(2,lang)
        try:
            lexer = get_lexer_by_name(lang, stripall=True)
        except ValueError:
            lexer = get_lexer_by_name("python", stripall=True)
        formatter = HtmlFormatter()
        #print(3,lexer.name)
        highlighted_code = highlight(code, lexer, formatter)

        return f'<pre><code class="{lang}">{highlighted_code}</code></pre>'

    code_block_pattern = r"```(\w+)?\n([\s\S]+?)\n```"
    md_str = re.sub(code_block_pattern, replacer, md_str, flags=re.MULTILINE)

    html_str = markdown(md_str)
    return html_str


def normalize_markdown(md_text: str) -> str:
    lines = md_text.split("\n")
    normalized_lines = []
    inside_list = False

    for i, line in enumerate(lines):
        if re.match(r"^(\d+\.|-|\*|\+)\s", line.strip()):
            if not inside_list and i > 0 and lines[i - 1].strip() != "":
                normalized_lines.append("")
            inside_list = True
            normalized_lines.append(line)
        elif inside_list and line.strip() == "":
            if i < len(lines) - 1 and not re.match(
                r"^(\d+\.|-|\*|\+)\s", lines[i + 1].strip()
            ):
                normalized_lines.append(line)
            continue
        else:
            inside_list = False
            normalized_lines.append(line)

    return "\n".join(normalized_lines)


def convert_mdtext(md_text):
    code_block_pattern = re.compile(r"```(.*?)(?:```|$)", re.DOTALL)
    inline_code_pattern = re.compile(r"`(.*?)`", re.DOTALL)
    code_blocks = code_block_pattern.findall(md_text)
    non_code_parts = code_block_pattern.split(md_text)[::2]

    result = []
    for non_code, code in zip(non_code_parts, code_blocks + [""]):
        if non_code.strip():
            non_code = normalize_markdown(non_code)
            if inline_code_pattern.search(non_code):
                result.append(markdown(non_code, extensions=["tables"]))
            else:
                result.append(mdtex2html.convert(non_code, extensions=["tables"]))
        if code.strip():
            code = f"\n```{code}\n\n```"
            code = markdown_to_html_with_syntax_highlight(code)
            result.append(code)
    result = "".join(result)
    result += ALREADY_CONVERTED_MARK
    return result

def convert_asis(userinput):
    return f"<p style=\"white-space:pre-wrap;\">{html.escape(userinput)}</p>"+ALREADY_CONVERTED_MARK

def detect_converted_mark(userinput):
    if userinput.endswith(ALREADY_CONVERTED_MARK):
        return True
    else:
        return False



def detect_language(code):
    if code.startswith("\n"):
        first_line = ""
    else:
        first_line = code.strip().split("\n", 1)[0]
    language = first_line.lower() if first_line else ""
    code_without_language = code[len(first_line) :].lstrip() if first_line else code
    return language, code_without_language

def convert_to_markdown(text):
    text = text.replace("$","&#36;")
    def replace_leading_tabs_and_spaces(line):
        new_line = []
        
        for char in line:
            if char == "\t":
                new_line.append("&#9;")
            elif char == " ":
                new_line.append("&nbsp;")
            else:
                break
        return "".join(new_line) + line[len(new_line):]

    markdown_text = ""
    lines = text.split("\n")
    in_code_block = False

    for line in lines:
        if in_code_block is False and line.startswith("```"):
            in_code_block = True
            markdown_text += f"{line}\n"
        elif in_code_block is True and line.startswith("```"):
            in_code_block = False
            markdown_text += f"{line}\n"
        elif in_code_block:
            markdown_text += f"{line}\n"
        else:
            line = replace_leading_tabs_and_spaces(line)
            line = re.sub(r"^(#)", r"\\\1", line)
            markdown_text += f"{line}  \n"

    return markdown_text

def add_language_tag(text):
    def detect_language(code_block):
        try:
            lexer = guess_lexer(code_block)
            return lexer.name.lower()
        except ClassNotFound:
            return ""

    code_block_pattern = re.compile(r"(```)(\w*\n[^`]+```)", re.MULTILINE)

    def replacement(match):
        code_block = match.group(2)
        if match.group(2).startswith("\n"):
            language = detect_language(code_block)
            if language:
                return f"```{language}{code_block}```"
            else:
                return f"```\n{code_block}```"
        else:
            return match.group(1) + code_block + "```"

    text2 = code_block_pattern.sub(replacement, text)
    return text2

def delete_last_conversation(chatbot, history):
    if len(chatbot) > 0:
        chatbot.pop()

    if len(history) > 0:
        history.pop()
        
    return (
        chatbot,
        history,
        "Delete Done",
    )

def reset_state():
    return [], [], "Reset Done"

def reset_textbox():
    return gr.update(value=""),""

def cancel_outputing():
    return "Stop Done"

    
##########################################
#Extension des hochgeladenen Files bestimmen
def analyze_file(file):
    file_extension = file.name.split('.')[-1]  # Holen Sie sich die Dateiendung
    return file_extension

########################################
#Aus dem File-Pfad nur den Namen herausholen
def get_filename(file_pfad):
    parts = file_pfad.rsplit('/', 1)  # Den String nach dem letzten '/' aufteilen
    if len(parts) == 2:
        result = parts[1]  # Der Teil nach dem letzten '/' ist in parts[1]
    else:
        result = "Ein Fehler im Filenamen ist aufgetreten..."
    return result

########################################
#Open Assistant Funktionen für File upload
########################################
def submit_message(assistant_id, thread, client, user_message):
    client.beta.threads.messages.create(
        thread_id=thread.id, role="user", content=user_message
    )
    return client.beta.threads.runs.create(
        thread_id=thread.id,
        assistant_id=assistant_id,
    )
    
def get_response(thread, client, assi_id):
    return client.beta.threads.messages.list(thread_id=thread.id, order="asc")

def create_thread_and_run(user_input, client, assi_id):
    thread = client.beta.threads.create()
    run = submit_message(assi_id, thread, client, user_input)
    return thread, run

def pretty_print(messages):
    print("# Messages")
    for m in messages:
        print(f"{m.role}: {m.content[0].text.value}")
    print()

# Waiting in a loop
def wait_on_run(run, thread, client):
    while run.status == "queued" or run.status == "in_progress":
        run = client.beta.threads.runs.retrieve(
            thread_id=thread.id,
            run_id=run.id,
        )
        time.sleep(0.5)
    return run

########################################
# Tavility Search Machine
def tavily_search(tavily_client, query):
    search_result = tavily_client.get_search_context(query, search_depth="advanced", max_tokens=8000)
    return search_result

########################################
# HuggingChat Search Machine
def hugchat_search(chatbot, query):
    search_result = chatbot.query(query, web_search=True)
    #for source in query_result.web_search_sources:
        #print(source.link)
        #print(source.title)
        #print(source.hostname)
    return search_result.text, search_result.link

########################################
# nicht in Gebrauch: Assistant für Websuche anlgen
def openai_assistant_suche(client):
    assistant = client.beta.assistants.create(
        instructions=template,
        model="gpt-4-1106-preview",
        tools=[{
            "type": "function",
            "function": {
                "name": "tavily_search",
                "description": "Get information on recent events from the web.",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "query": {"type": "string", "description": "Die Suchanfrage, die die KI nicht beantworten konnte, hier hinein"},
                    },
                    "required": ["query"]
                }
            }
        }]
    )
    return assistant
    

#########################################
#Bildbearbeitung
#########################################
#########################################
#nicht im Einsatz, da Stable Diffusion die Bilder erzeugt
def create_picture(history,  prompt):
    client = OpenAI()
    response = client.images.generate(model="dall-e-3", prompt=prompt,size="1024x1024",quality="standard",n=1,)
    image_url = response.data[0].url
    # using requests library to get the image in bytes 
    response2 = requests.get(image_url) 
    # using the Image module from PIL library to view the image 
    image = Image.open(response2.raw)
    return image

########################################
# Ausgabe in PDF des Chathistory
########################################
"""
#Aufzählungen in der History erkennen und auch als Auflistung darstellen
def erkennen_und_formatieren_von_aufzaehlungen_backup(text, styles):
    # Aufzählungszeichen oder Nummerierungen erkennen
    aufzaehlungszeichen = ['-', '*', '•']
    nummerierung = [f'{i}.' for i in range(1, 11)]  # Beispiel für einfache Nummerierungserkennung
    nummerierung2 = [f'{i}. ' for i in range(1, 11)]
    nummerierung3 = [f' {i}. ' for i in range(1, 11)]
    
    zeilen = text.split('\n')
    list_items = []

    for zeile in zeilen:
        # Prüft, ob die Zeile mit einem Aufzählungszeichen oder einer Nummerierung beginnt
        if any(zeile.lstrip().startswith(zeichen) for zeichen in aufzaehlungszeichen + nummerierung + nummerierung2 + nummerierung3) :
            # Entfernt das Aufzählungszeichen/Nummerierung für die Darstellung
            for zeichen in aufzaehlungszeichen + nummerierung + nummerierung2 + nummerierung3:
                if zeile.lstrip().startswith(zeichen):
                    zeile = zeile.lstrip()[len(zeichen):].lstrip()
                    break
            list_items.append(ListItem(Paragraph(zeile, styles['BodyText'])))
        else:
            # Wenn die Zeile nicht als Teil einer Aufzählung erkannt wird, breche die Schleife ab
            break

    if list_items:
        # Eine Aufzählung wurde erkannt
        return ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica')
    else:
        # Keine Aufzählung erkannt, gebe einen normalen Paragraph zurück
        return Paragraph(text, styles['BodyText'])

        
#Aufzählungen in der History erkennen und auch als Auflistung darstellen
def erkennen_und_formatieren_von_aufzaehlungen(text, styles):
    # Aufzählungszeichen oder Nummerierungen erkennen
    aufzaehlungszeichen = ['-', '*', '•']
    # Regulärer Ausdruck für Nummerierungen (z.B. "1.", "2.")
    # Verbesserter regulärer Ausdruck, der optionale Leerzeichen vor der Nummerierung berücksichtigt
    nummerierung_regex = r"^\s*\d+\.\s*"  # Optional Leerzeichen, gefolgt von Ziffern und einem Punkt, dann Leerzeichen

    zeilen = text.split('\n')
    list_items = []

    for zeile in zeilen:
        # Prüft, ob die Zeile mit einem Aufzählungszeichen beginnt
        print("zeile:.............................")
        print(zeile)
        if any(zeile.lstrip().startswith(zeichen) for zeichen in aufzaehlungszeichen) or re.match(nummerierung_regex, zeile.lstrip()):
            # Entfernt das Aufzählungszeichen/Nummerierung für die Darstellung
            if (re.match(nummerierung_regex, zeile.lstrip())):
                cleaned_line = re.sub(nummerierung_regex, '', zeile.lstrip(), 1).lstrip()  # Entfernt nummerierte Aufzählungszeichen
            else:
                for zeichen in aufzaehlungszeichen:
                    if zeile.lstrip().startswith(zeichen):
                        cleaned_line = zeile.lstrip()[len(zeichen):].lstrip()
                        break
            print(cleaned_line)
            list_items.append(ListItem(Paragraph(cleaned_line, styles['BodyText'])))
        else:
            # Wenn die Zeile nicht als Teil einer Aufzählung erkannt wird, breche die Schleife ab
            # und behandle den gesamten Text als normalen Paragraphen, wenn keine Liste erkannt wurde
            if not list_items:
                return Paragraph(text, styles['BodyText'])
            break

    if list_items:
        # Eine Aufzählung wurde erkannt
        return ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica')
    else:
        # Keine Aufzählung erkannt, gebe einen normalen Paragraph zurück
        return Paragraph(text, styles['BodyText'])
"""

####################################
#    Erkennt Aufzählungen im Text und gibt eine entsprechend formatierte ListFlowable oder Paragraph zurück.
####################################
def verarbeite_text_und_aufzaehlungen(text, styles):
    # Aufzählungszeichen oder Nummerierungen erkennen
    aufzaehlungszeichen = ['-', '*', '•']
    # Regulärer Ausdruck für Nummerierungen (z.B. "1.", "2.")
    # Verbesserter regulärer Ausdruck, der optionale Leerzeichen vor der Nummerierung berücksichtigt
    nummerierung_regex = r"^\s*\d+\.\s*"  # Optional Leerzeichen, gefolgt von Ziffern und einem Punkt, dann Leerzeichen
    
    zeilen = text.split('\n')
    elements = []  # Eine Liste, die sowohl Paragraph-Objekte als auch ListFlowable-Objekte enthalten wird
    list_items = []  # Temporäre Liste für die Aufzählungs-Items
    paragraph_text = []  # Sammelt den Text für normale Paragraphen

    for zeile in zeilen:
        if any(zeile.lstrip().startswith(zeichen) for zeichen in aufzaehlungszeichen) or re.match(nummerierung_regex, zeile.lstrip()):
            # Wenn bereits normaler Text gesammelt wurde, füge ihn als Paragraph hinzu, bevor eine neue Liste beginnt
            if paragraph_text:
                elements.append(Paragraph(' '.join(paragraph_text), styles['BodyText']))
                paragraph_text = []  # Zurücksetzen des normalen Textsammelns

            # Entfernt das Aufzählungszeichen/Nummerierung für die Darstellung
            if re.match(nummerierung_regex, zeile.lstrip()):
                cleaned_line = re.sub(nummerierung_regex, '', zeile.lstrip(), 1).lstrip()
            else:
                for zeichen in aufzaehlungszeichen:
                    if zeile.lstrip().startswith(zeichen):
                        cleaned_line = zeile.lstrip()[len(zeichen):].lstrip()
                        break
            list_items.append(ListItem(Paragraph(cleaned_line, styles['BodyText'])))
        else:
            # Wenn eine Liste erkannt wurde und dann normale Zeilen folgen
            if list_items:
                # Füge die gesammelten ListItems als ListFlowable hinzu und setze die Sammlung zurück
                elements.append(ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica'))
                list_items = []  # Zurücksetzen der Listensammlung
            paragraph_text.append(zeile)

    # Füge verbleibende Elemente hinzu, falls vorhanden
    if paragraph_text:  # Verbleibender normaler Text
        elements.append(Paragraph(' '.join(paragraph_text), styles['BodyText']))
    if list_items:  # Verbleibende Listenelemente
        elements.append(ListFlowable(list_items, bulletType='bullet', start='bulletchar', bulletFontName='Helvetica'))

    return elements


        
#callback Methode, die auf jeder PDF Seite das Datum oben hinschreibt
def on_each_page(canvas, doc):
    page_width, page_height = A4  # Oder das von Ihnen verwendete Seitenformat, z.B. A4
    canvas.saveState()
    canvas.setFont('Times-Roman', 10)
    # Formatieren Sie das Datum nach Ihrem Wunsch
    current_date = datetime.now().strftime("%Y-%m-%d")
    print(current_date)
    # Positionieren Sie das Datum oben rechts auf der Seite
    canvas.drawRightString(page_width - 72, page_height - 28, current_date)
    canvas.restoreState()

#PDF Inhalte zusammenstellen und PDF unter dem angegebene Pfad file_path_download ablegen
def erstellePdf(file_path_download, ueberschrift, dic_history):
    # Initialisiere eine leere Listseinstellung ("flowables"), die später gefüllt wird
    elements = []
    # Definiere ein neues Papierformat mit A4 Maßen
    paper_size = A4

    # Erstellen Sie ein neues StyleSheet-Objekt
    styles = getSampleStyleSheet()
    # Neuen Style hinzufügen
    new_style = ParagraphStyle('NewStyle', fontName='Helvetica', fontSize=11)
    styles.add(new_style)
    #style für Trennlinie
    line_style = ParagraphStyle('LineStyle', fontSize=4, leading=6, borderPadding=0,
                             spaceBefore=0, spaceAfter=0, textColor='black')
    list_style = getSampleStyleSheet()
    
    #Feststehende Überschriften erzeugen
    # Chat-Überschrift
    title = Paragraph(ueberschrift, styles['Title'])
    headline_nutzer = Paragraph('Nutzer:', styles['Heading3'])
    headline_assi = Paragraph('Assistent:', styles['Heading3'])

    #Pdf Abschnittsweise zusammenstellen
    elements.append(title)
    for nutzer, assi in dic_history.items():
        elements.append(headline_nutzer)
        p = Paragraph(nutzer, styles['NewStyle'])
        elements.append(p)
        # Einen Abstand hinzufügen (optional)
        elements.append(Spacer(1, 2*mm))
        elements.append(headline_assi)
        element_check = verarbeite_text_und_aufzaehlungen(assi,list_style)
        # Gehe jedes Element in `elements` durch und füge es zu `story` hinzu
        for elem in element_check:
            if isinstance(elem, list):
                # Wenn das Element eine Liste ist, füge jedes Unter-Element hinzu
                elements.extend(elem)
            else:
                # Für einzelne Flowable-Objekte, füge sie direkt hinzu
                elements.append(elem)
        
        # Einen Abstand hinzufügen (optional)
        elements.append(Spacer(1, 8*mm))
        #Trennlinie
        elements.append(Paragraph('_' * 100, line_style)) 
        # Einen Abstand hinzufügen (optional)
        elements.append(Spacer(1, 8*mm))

        #Für später, um bilder einzufügen
        # Fügen Sie andere Flowables wie Bilder oder Tabellen hinzu
        #image = Image('path/to/your/image.png', width=10*cm, height=5*cm)
        #elements.append(image)
        #table = Table([['Cell 1', 'Cell 2'], ['Cell 3', 'Cell 4']])
        #elements.append(table)


    # Generiere das PDF-Dokument
    doc = CustomDocTemplate(file_path_download, pagesize=paper_size)
    #on_each_page ist eine callback Methode, die auf jeder neuen PDF Seite ausgeführt wird
    doc.onPage = on_each_page
    doc.build(elements)

##########################################
#Hashing....
# Funktion zum Hashen des Eingabewerts
def hash_input(input_string):
    return hashlib.sha256(input_string.encode()).hexdigest()

    
########################################
#zur Zeit nicht im Gebrauch
def transfer_input(inputs):
    textbox = reset_textbox()
    return (
        inputs,
        gr.update(value=""),
        gr.Button.update(visible=True),
    )


#################################################
#Klasse mit zuständen - z.B. für interrupt wenn Stop gedrückt...
#################################################
class State:
    interrupted = False

    def interrupt(self):
        self.interrupted = True

    def recover(self):
        self.interrupted = False
shared_state = State()




def is_stop_word_or_prefix(s: str, stop_words: list) -> bool:
    for stop_word in stop_words:
        if s.endswith(stop_word):
            return True
        for i in range(1, len(stop_word)):
            if s.endswith(stop_word[:i]):
                return True
    return False


##########################################
# Klasse, die die SimpleDocTemplate überschreibt (für PDF Generierung)
# war nötig, da SimpleDocTemplate die on_each_page nicht ausgeführt hat - warum auch immer ...
##########################################
class CustomDocTemplate(SimpleDocTemplate):
    def handle_pageBegin(self):
        # Sorgt dafür, dass die Standard-Page-Begin-Logik ausgeführt wird
        self._handle_pageBegin()
        # Jetzt können Sie das Canvas-Objekt über self.canv sicher verwenden
        self.canv.saveState()
        self.canv.setFont('Helvetica', 10)
        current_date = datetime.now().strftime("%Y-%m-%d")
        # Passen Sie hier die Positionierung an Ihre Bedürfnisse an
        self.canv.drawRightString(550, 800, current_date)  # Position anpassen
        self.canv.restoreState()