import logging
from typing import List, Dict, Any, Optional
from transformers import pipeline

logger = logging.getLogger(__name__)

class ZeroShotClassifier:
    """
    Classe responsable de la classification de texte à l'aide de modèles Hugging Face Zero-Shot.
    """
    def __init__(self, model_name: str = "MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7"):
        """
        Initialise le classifieur zero-shot.
        :param model_name: Nom du modèle Hugging Face à utiliser.
        """
        self.model_name = model_name
        self._pipeline = None

    @property
    def classifier_pipeline(self):
        """
        Initialisation tardive (lazy loading) du pipeline pour économiser de la mémoire et du temps au démarrage.
        """
        if self._pipeline is None:
            logger.info(f"Chargement du pipeline de classification avec le modèle {self.model_name} (ceci peut prendre quelques secondes)...")
            # On laisse Hugging Face gérer le choix du device (GPU s'il est dispo, sinon CPU)
            self._pipeline = pipeline("zero-shot-classification", model=self.model_name)
        return self._pipeline

    def classify(self, text: str, candidate_labels: List[str] = None) -> Dict[str, Any]:
        """
        Classifie un texte selon une liste de catégories candidates.
        Si aucune catégorie n'est fournie, utilise les catégories de harcèlement par défaut.
        :param text: Le texte à classifier.
        :param candidate_labels: Liste des catégories (labels).
        :return: Dictionnaire contenant les labels et leurs scores associés.
        """
        if candidate_labels is None:
            candidate_labels = ["Cyberharcèlement", "Insulte", "Menace", "Non-harcèlement"]

        if not text or not text.strip():
            # Si le texte est vide, on renvoie une structure vide ou par défaut
            return {"labels": [], "scores": []}
        
        try:
            # On exécute le pipeline de classification
            result = self.classifier_pipeline(text, candidate_labels=candidate_labels)
            return result
        except Exception as e:
            logger.error(f"Erreur lors de la classification du texte : {e}")
            raise RuntimeError(f"Échec de la classification : {e}") from e