"""
app/services/knowledge_store.py

本地 Markdown 知识库加载与关键词检索。
- 所有 .md 文件存放在 config/knowledge/ 目录
- 基于关键词打分，支持多文档排序返回
"""
from __future__ import annotations

import re
from dataclasses import dataclass, field
from pathlib import Path


@dataclass
class KnowledgeDoc:
    """一篇知识文档的元数据与正文。"""

    doc_id: str                    # 文件名（不含扩展名）
    title: str                     # MD 首行 # 标题，无则用文件名
    content: str                   # 完整原始 Markdown 内容
    keywords: list[str] = field(default_factory=list)  # 从正文抽取的高频词


@dataclass
class SearchResult:
    doc: KnowledgeDoc
    score: float
    matched_keywords: list[str]


class KnowledgeStore:
    """从 config/knowledge/*.md 加载知识库，提供关键词检索。"""

    def __init__(self, knowledge_dir: str | Path) -> None:
        self._dir = Path(knowledge_dir)
        self._docs: dict[str, KnowledgeDoc] = {}
        self._load()

    # ── 公开 API ───────────────────────────────────────────────────────────────

    def search(self, query: str, top_k: int = 3) -> list[SearchResult]:
        """根据 query 检索最相关的知识文档，返回最多 top_k 条。"""
        query_tokens = self._tokenize(query)
        if not query_tokens:
            return []

        results: list[SearchResult] = []
        for doc in self._docs.values():
            score, matched = self._score(doc, query_tokens)
            if score > 0:
                results.append(SearchResult(doc=doc, score=score, matched_keywords=matched))

        results.sort(key=lambda r: r.score, reverse=True)
        return results[:top_k]

    def get(self, doc_id: str) -> KnowledgeDoc | None:
        return self._docs.get(doc_id)

    def all_doc_ids(self) -> list[str]:
        return list(self._docs.keys())

    def reload(self) -> None:
        """热重载知识库（添加新 MD 文件后调用）。"""
        self._docs.clear()
        self._load()

    # ── 内部逻辑 ───────────────────────────────────────────────────────────────

    def _load(self) -> None:
        if not self._dir.exists():
            return
        for md_path in sorted(self._dir.glob("*.md")):
            doc = self._parse_md(md_path)
            self._docs[doc.doc_id] = doc

    def _parse_md(self, path: Path) -> KnowledgeDoc:
        content = path.read_text(encoding="utf-8")
        doc_id = path.stem

        # 提取第一个 # 标题作为文档标题
        title_match = re.search(r"^#+\s+(.+)", content, re.MULTILINE)
        title = title_match.group(1).strip() if title_match else doc_id

        # 提取关键词：去标点后的中文词段（2~6字）
        keywords = self._extract_keywords(content)
        return KnowledgeDoc(doc_id=doc_id, title=title, content=content, keywords=keywords)

    def _extract_keywords(self, content: str) -> list[str]:
        """提取 MD 正文中的中文词段作为候选关键词。"""
        # 去掉 Markdown 语法符号
        text = re.sub(r"[#`*_>|~\[\]()!]", " ", content)
        text = re.sub(r"https?://\S+", " ", text)
        # 中文词段（2-6 个汉字）
        words = re.findall(r"[\u4e00-\u9fff]{2,6}", text)
        # 去重，保留顺序
        seen: set[str] = set()
        unique: list[str] = []
        for w in words:
            if w not in seen:
                seen.add(w)
                unique.append(w)
        return unique

    def _tokenize(self, text: str) -> list[str]:
        """将 query 分割成候选检索词。

        策略：
        1. 提取所有连续中文字段（2字以上）作为候选
        2. 在连续中文字段上做滑动窗口（2-5字），覆盖子串匹配
        避免整句 '虚焊报警怎么办' 作为单一 token 无法匹配 '虚焊报警'
        """
        # 提取所有连续中文片段
        chinese_chunks = re.findall(r"[\u4e00-\u9fff]+", text)
        tokens: list[str] = []
        for chunk in chinese_chunks:
            # 滑动窗口：长度 2 到 min(5, len(chunk))
            for size in range(2, min(6, len(chunk) + 1)):
                for start in range(len(chunk) - size + 1):
                    tokens.append(chunk[start : start + size])
            # 整体 chunk 也加入（用于长词精确匹配）
            if len(chunk) > 1:
                tokens.append(chunk)
        # 去重保序
        seen: set[str] = set()
        unique: list[str] = []
        for t in tokens:
            if t not in seen:
                seen.add(t)
                unique.append(t)
        return unique

    def _score(self, doc: KnowledgeDoc, query_tokens: list[str]) -> tuple[float, list[str]]:
        """给文档打分：命中 title 得 3 分，命中 content 得 1 分（上限 5）。"""
        score = 0.0
        matched: list[str] = []
        seen: set[str] = set()
        content_lower = doc.content.lower()
        title_lower = doc.title.lower()

        for token in query_tokens:
            token_lower = token.lower()
            if token_lower in seen:
                continue
            in_title = token_lower in title_lower
            in_content = token_lower in content_lower
            if in_title or in_content:
                seen.add(token_lower)
                matched.append(token)
                score += 3.0 if in_title else 1.0

        return min(score, 15.0), matched  # 上限 15，避免极端高分