app.py

import os
import json
import streamlit as st
import google.generativeai as genai
from dotenv import load_dotenv

# Importação dos módulos utilitários locais
from utils.text_extractor import extract_text_from_file
from utils.pdf_generator import generate_pdf_from_text
from utils.url_extractor import extract_text_from_url

# ==========================================
# 1. CONFIGURAÇÃO INICIAL E AMBIENTE
# ==========================================

# Carrega variáveis de ambiente salvas no ficheiro .env
load_dotenv()

# Obtém a chave da API do Gemini armazenada
api_key = os.getenv("GEMINI_API_KEY")

# Configura a biblioteca da Google com a chave obtida
if api_key:
    genai.configure(api_key=api_key)
  
# Configuração do título e layout da página no navegador
st.set_page_config(page_title="CV Matcher & Optimizer", page_icon="📄", layout="wide")

st.title("📄 CV Matcher & Optimizer")
st.write("Analise a compatibilidade do seu currículo com uma vaga e gere uma versão otimizada com IA.")

# Validação: interrompe a execução se a chave não for encontrada
if not api_key:
    st.error("Chave da API do Gemini não encontrada. Adicione GEMINI_API_KEY no seu ficheiro .env.")
    st.stop()

# ==========================================
# 2. ENTRADA DE DADOS (INTERFACE)
# ==========================================

# Criação de duas colunas na tela para organizar as entradas de dados
col_cv, col_job = st.columns(2)

cv_text = ""
job_text = ""

# Coluna 1: Entrada do Currículo
with col_cv:
    st.subheader("1. Seu Currículo")
    cv_input_type = st.radio("Formato de entrada (CV):", ["Texto Direto", "Upload de Ficheiro"], key="cv_type")
  
    if cv_input_type == "Texto Direto":
        cv_text = st.text_area("Cole o texto do seu currículo aqui:", height=250)
    else:
        uploaded_cv = st.file_uploader("Carregue o ficheiro do CV (PDF ou DOCX)", type=["pdf", "docx"], key="cv_file")
        if uploaded_cv:
            cv_text = extract_text_from_file(uploaded_cv)
            st.success("Currículo carregado com sucesso!")

# Coluna 2: Entrada da Descrição da Vaga (Agora com opção de URL)
with col_job:
    st.subheader("2. Descrição da Vaga")
    job_input_type = st.radio(
        "Formato de entrada (Vaga):",
        ["Texto Direto", "Upload de Ficheiro", "URL da Vaga"],
        key="job_type"
    )
  
    if job_input_type == "Texto Direto":
        job_text = st.text_area("Cole a descrição da vaga aqui:", height=250)
    elif job_input_type == "Upload de Ficheiro":
        uploaded_job = st.file_uploader("Carregue o ficheiro da vaga (PDF ou DOCX)", type=["pdf", "docx"], key="job_file")
        if uploaded_job:
            job_text = extract_text_from_file(uploaded_job)
            st.success("Descrição da vaga carregada com sucesso!")
    else:
        job_url = st.text_input("Cole a URL da vaga aqui (ex: https://site.com/vaga):")
        if job_url:
            with st.spinner("A ler o conteúdo da URL..."):
                try:
                    job_text = extract_text_from_url(job_url)
                    st.success("Conteúdo da URL extraído com sucesso!")
                    # Exibe uma prévia expansível do texto lido da página
                    with st.expander("Ver texto extraído do link"):
                        st.write(job_text[:1000] + ("..." if len(job_text) > 1000 else ""))
                except Exception as e:
                    st.error(f"Erro ao extrair texto do link: {e}")

# ==========================================
# 3. PROCESSAMENTO COM A API DO GEMINI
# ==========================================

if st.button("🚀 Analisar e Otimizar Currículo", type="primary", use_container_width=True):
    if not cv_text.strip() or not job_text.strip():
        st.warning("Por favor, forneça tanto o currículo quanto a descrição da vaga antes de continuar.")
    else:
        with st.spinner("Analisando e otimizando o currículo..."):
            try:
                # Inicialização do modelo Gemini 3.5 Flash
                model = genai.GenerativeModel("gemini-3.5-flash")
                
                # Instruções extremamente detalhadas para garantir o JSON estritamente válido
                prompt = f"""
                Você é um especialista em recrutamento e otimização de currículos (ATS). Sua tarefa é analisar o currículo fornecido em relação à descrição da vaga.

                CURRÍCULO:
                {cv_text}
                      
                DESCRIÇÃO DA VAGA:
                {job_text}
                      
                ESTRUTURA JSON OBRIGATÓRIA:
                {{
                "score": 85,
                "pontos_fortes": ["ponto 1", "ponto 2"],
                "lacunas": ["lacuna 1", "lacuna 2"],
                "melhorias_aplicadas": ["melhoria 1", "melhoria 2"],
                "curriculo_otimizado": "Texto completo do currículo otimizado aqui"
                }}
                """
                
                response = model.generate_content(
                  prompt,
                  generation_config={"response_mime_type": "application/json"}
                )
                
                # Salva o resultado no estado da sessão do Streamlit
                st.session_state["analysis_result"] = json.loads(response.text)
            except Exception as e:
                st.error(f"Erro ao processar a requisição: {e}")
                st.stop()

# ==========================================
# 4. EXIBIÇÃO DE RESULTADOS E EXPORTAÇÃO
# ==========================================

if "analysis_result" in st.session_state:
    result = st.session_state["analysis_result"]
    st.divider()
    st.subheader("📊 Resultados da Análise")
  
    # Exibe a pontuação de compatibilidade
    score = result.get("score", 0)
    st.metric(label="Nível de Compatibilidade", value=f"{score}%")
    st.progress(score / 100)
  
    # Organiza os detalhes em 3 colunas
    col_a, col_b, col_c = st.columns(3)
  
    with col_a:
        st.subheader("✅ Pontos Fortes")
        for item in result.get("pontos_fortes", []):
            st.write(f"- {item}")
  
    with col_b:
        st.subheader("⚠️ Lacunas Identificadas")
        for item in result.get("lacunas", []):
            st.write(f"- {item}")
  
    with col_c:
        st.subheader("🛠️ Melhorias Aplicadas")
        for item in result.get("melhorias_aplicadas", []):
            st.write(f"- {item}")
  
    st.divider()
    st.header("✏️ Prévia e Edição do Currículo Otimizado")
  
    # Área de texto editável para o currículo otimizado
    optimized_cv_edited = st.text_area(
        "Você pode fazer ajustes manuais no texto abaixo antes de gerar o PDF:",
        value=result.get("curriculo_otimizado", ""),
        height=400
    )
    
    # Gera o buffer do PDF a partir do texto editado
    pdf_buffer = generate_pdf_from_text(optimized_cv_edited)

    # Botão para descarregar o PDF final
    st.download_button(
        label="📥 Baixar Currículo Otimizado em PDF",
        data=pdf_buffer,
        file_name="curriculo_otimizado.pdf",
        mime="application/pdf",
        type="primary",
    )