# -*- coding: utf-8 -*-
from dotenv import load_dotenv
load_dotenv()
"""
chunk_and_summary_v2.py

기능:
- 이전 단계에서 생성된 output/raw/*.md 파일들을 대상으로
  1) domain_prompt.txt 기반의 의미론적 청킹(Semantic Chunking)
  2) 각 청크별 요약 생성
  3) 청크 내 이미지 참조 보관
  4) 최종 결과를 JSON 형식 (메타+청크+요약+이미지)으로 저장
- extract_1_v2.py 실행 후 생성된 .md 파일을 대상으로 함
- step1_domainprompt.py 실행 후 domain_prompt.txt가 존재해야 함
"""
import os
import sys
import json
import re
from pathlib import Path
from datetime import datetime
from openai import OpenAI
from concurrent.futures import ThreadPoolExecutor, as_completed


# ===== OpenAI 설정 =====
OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
GPT_MODEL      = "gpt-5-2025-08-07"
client = OpenAI(api_key=OPENAI_API_KEY)

# ===== 필터링할 폴더 정의 =====
SKIP_DIR_NAMES = {"System Volume Information", "$RECYCLE.BIN", ".git", "__pycache__", "output"}

# ===== 이미지 참조 패턴 =====
IMAGE_PATTERN = re.compile(r'!\[([^\]]*)\]\(([^)]+)\)')

def log(msg: str):
    print(msg, flush=True)
    with (LOG_DIR / "chunk_and_summary_log.txt").open("a", encoding="utf-8") as f:
        f.write(f"[{datetime.now().strftime('%H:%M:%S')}] {msg}\n")


def load_domain_prompt() -> str:
    p = CONTEXT_DIR / "domain_prompt.txt"
    if not p.exists():
        log(f"domain_prompt.txt가 존재하지 않습니다: {p}")
        log("먼저 step1_domainprompt.py를 실행해야 합니다.")
        sys.exit(1)
    return p.read_text(encoding="utf-8", errors="ignore").strip()


def safe_rel(p: Path) -> str:
    """DATA_ROOT 기준 상대 경로 반환"""
    try:
        return str(p.relative_to(DATA_ROOT))
    except:
        return str(p)


def extract_text_md(p: Path) -> str:
    """마크다운 파일에서 텍스트 읽기"""
    try:
        return p.read_text(encoding="utf-8", errors="ignore")
    except:
        return ""


def find_images_in_text(text: str) -> list:
    """텍스트 내 이미지 참조 찾기"""
    matches = IMAGE_PATTERN.findall(text)
    return [{"alt": m[0], "path": m[1]} for m in matches]


def semantic_chunk(domain_prompt: str, text: str, source_name: str):
    """GPT 기반 의미론적 청킹"""
    if not text.strip():
        return []

    # 텍스트가 너무 짧으면 그대로 사용
    if len(text) < 500:
        return [{
            "title": "전체 내용",
            "keywords": "",
            "content": text
        }]

    user_prompt = f"""
다음 문서를 의미 있는 단위(문단/항목/주제)로 분리하고,
각 청크별 title / keywords / content 를 포함하는 JSON 배열로 출력하세요:
1. 측량 기준, 법규 등 도메인 지식에 따라 의미 단위로만 분리
2. 이미지 참조(![...](...))가 포함된 텍스트는 해당 이미지와 관련된 설명과 함께 한 청크로 유지
3. 각 청크는 최대 1000자 내외로 구성
4. keywords는 쉼표로 구분된 핵심 단어 3~5개

문서 내용:
{text[:12000]}

JSON 배열로 출력하세요. 다른 설명은 필요 없습니다.
"""

    try:
        resp = client.chat.completions.create(
            model=GPT_MODEL,
            messages=[
                {"role": "system", "content": domain_prompt + "\n\n당신은 문서를 의미 있는 단위로 분석하는 전문가입니다. JSON 배열로 출력하세요."},
                {"role": "user", "content": user_prompt},
            ],
        )
        data = resp.choices[0].message.content.strip()

        # JSON 파싱 전 전처리
        # ```json ... ``` 형식 제거
        if "```json" in data:
            data = data.split("```json")[1].split("```")[0].strip()
        elif "```" in data:
            data = data.split("```")[1].split("```")[0].strip()

        if data.startswith("["):
            return json.loads(data)

    except json.JSONDecodeError as e:
        log(f"[WARN] JSON 파싱 실패 ({source_name}): {e}")
    except Exception as e:
        log(f"[WARN] semantic_chunk API 실패 ({source_name}): {e}")

    # fallback: 페이지/문단 기반 단순 분리
    log(f"[INFO] Fallback 청킹 적용: {source_name}")
    return fallback_chunk(text)


def fallback_chunk(text: str) -> list:
    """GPT 실패 시 대체 청킹 (페이지/문단 기준)"""
    chunks = []
    
    if "## Page " in text:
        pages = re.split(r'\n## Page \d+\n', text)
        for i, page_content in enumerate(pages):
            if page_content.strip():
                chunks.append({
                    "title": f"Page {i+1}",
                    "keywords": "",
                    "content": page_content.strip()
                })
    else:
        # 빈 줄 2개 이상으로 분리
        sections = re.split(r'\n{3,}', text)
        for i, section in enumerate(sections):
            if section.strip() and len(section.strip()) > 50:
                chunks.append({
                    "title": f"단락 {i+1}",
                    "keywords": "",
                    "content": section.strip()
                })
    
    # 여전히 없으면 전체를 하나로
    if not chunks:
        chunks.append({
            "title": "전체 내용",
            "keywords": "",
            "content": text.strip()
        })

    return chunks


def summary_chunk(domain_prompt: str, text: str, limit: int = 300) -> str:
    """개별 청크 요약 생성"""
    if not text.strip():
        return ""

    # 이미지 참조 제거 후 요약 시도 (순수 텍스트 정보 중심)
    text_only = IMAGE_PATTERN.sub('', text).strip()

    if len(text_only) < 100:
        return text_only

    prompt = f"""
다음 텍스트를 {limit}자 이내의 한 문장 또는 핵심 문단으로 요약하세요.
측량 수치, 특정 기법, 법규 번호 등이 있다면 반드시 보존하십시오.

{text_only[:8000]}
"""
    try:
        resp = client.chat.completions.create(
            model=GPT_MODEL,
            messages=[
                {"role": "system", "content": domain_prompt + "\n\n텍스트를 전문적이고 정확하게 요약하는 전문가입니다."},
                {"role": "user", "content": prompt},
            ],
        )
        return resp.choices[0].message.content.strip()
    except Exception as e:
        log(f"[WARN] summary 실패: {e}")
        return text_only[:limit]


def save_chunk_files(src: Path, text: str, domain_prompt: str) -> int:
    """
    개별 마크다운 파일에 대해 청킹 및 요약 후 JSON 파일로 저장
    
    Returns:
        성공한 청크 개수
    """
    stem = src.stem
    folder_ctx = safe_rel(src.parent)

    # 1. 원본 텍스트 보관
    (TEXT_DIR / f"{stem}_text.txt").write_text(text, encoding="utf-8", errors="ignore")

    # 2. 청킹
    chunks = semantic_chunk(domain_prompt, text, src.name)

    if not chunks:
        log(f"[WARN] 청킹 결과 없음: {src.name}")
        return 0

    rag_items = []

    for idx, ch in enumerate(chunks, start=1):
        content = ch.get("content", "")
        
        # 각 청크 요약
        summ = summary_chunk(domain_prompt, content, 300)

        # 이미지 참조 찾기
        images_in_chunk = find_images_in_text(content)

        rag_items.append({
            "source": src.name,
            "source_path": safe_rel(src),
            "chunk": idx,
            "total_chunks": len(chunks),
            "title": ch.get("title", ""),
            "keywords": ch.get("keywords", ""),
            "text": content,
            "summary": summ,
            "folder_context": folder_ctx,
            "images": images_in_chunk,
            "has_images": len(images_in_chunk) > 0
        })

    # JSON 저장
    (JSON_DIR / f"{stem}.json").write_text(
        json.dumps(rag_items, ensure_ascii=False, indent=2),
        encoding="utf-8"
    )

    # RAG용 통합 JSON 준비를 위해 복사
    (RAG_DIR / f"{stem}_chunks.json").write_text(
        json.dumps(rag_items, ensure_ascii=False, indent=2),
        encoding="utf-8"
    )

    return len(chunks)


def main(input_dir, output_dir):
    global DATA_ROOT, OUTPUT_ROOT, TEXT_DIR, JSON_DIR, RAG_DIR, CONTEXT_DIR, LOG_DIR
    DATA_ROOT   = Path(input_dir)
    OUTPUT_ROOT = Path(output_dir)
    TEXT_DIR    = OUTPUT_ROOT / "text"
    JSON_DIR    = OUTPUT_ROOT / "json"
    RAG_DIR     = OUTPUT_ROOT / "rag"
    CONTEXT_DIR = OUTPUT_ROOT / "context"
    LOG_DIR     = OUTPUT_ROOT / "logs"
    for d in [TEXT_DIR, JSON_DIR, RAG_DIR, CONTEXT_DIR, LOG_DIR]:
        d.mkdir(parents=True, exist_ok=True)
    log("=" * 60)
    log("청킹 및 요약 작업 시작")
    log(f"데이터 폴더: {DATA_ROOT}")
    log(f"출력 폴더: {OUTPUT_ROOT}")
    log("=" * 60)

    # 도메인 프롬프트 로드
    domain_prompt = load_domain_prompt()
    log(f"도메인 프롬프트 로드 완료 ({len(domain_prompt)}자)")

    stats = {"docs": 0, "chunks": 0, "images": 0, "errors": 0}

    # 모든 .md 파일 찾기
    md_files = list(DATA_ROOT.rglob("*.md"))
    log(f"총 {len(md_files)}개의 .md 파일 발견\n")

    def process_file(args):
        idx, fpath = args
        try:
            rel_path = safe_rel(fpath)
            log(f"[{idx}/{len(md_files)}] {rel_path}")
            text = extract_text_md(fpath)
            if not text.strip():
                log(f"    비어있는 문서")
                return 0, 0, 0
            images = find_images_in_text(text)
            chunk_count = save_chunk_files(fpath, text, domain_prompt)
            log(f"    {chunk_count}개 청크, {len(images)}개 이미지 추출")
            return 1, chunk_count, len(images)
        except Exception as e:
            log(f"    오류 발생: {e}")
            return 0, 0, 0

    # 병렬 처리
    with ThreadPoolExecutor(max_workers=4) as executor:
        futures = {executor.submit(process_file, (i, f)): f for i, f in enumerate(md_files, 1)}
        for future in as_completed(futures):
            d, c, img = future.result()
            stats["docs"] += d
            stats["chunks"] += c
            stats["images"] += img

    # 전체 통계 저장
    summary = {
        "processed_at": datetime.now().isoformat(),
        "data_root": str(DATA_ROOT),
        "output_root": str(OUTPUT_ROOT),
        "statistics": stats
    }

    (LOG_DIR / "chunk_summary_stats.json").write_text(
        json.dumps(summary, ensure_ascii=False, indent=2),
        encoding="utf-8"
    )

    # 결과 출력
    log("\n" + "=" * 60)
    log("청킹 및 요약 완료!")
    log("=" * 60)
    log(f"처리 문서: {stats['docs']}개")
    log(f"생성 청크: {stats['chunks']}개")
    log(f"이미지 포함 청크: {stats['images']}개")
    log(f"전체 요약 통계는 LOG_DIR에 저장되었습니다.")
    log(f"\n결과 저장 위치:")
    log(f"  - 텍스트: {TEXT_DIR}")
    log(f"  - JSON: {JSON_DIR}")
    log(f"  - RAG: {RAG_DIR}")


if __name__ == "__main__":
    main()