"""
استخراج از PDF کتابِ درسی + تحلیلِ عکسِ صفحه با مدلِ vision.

برداشتِ پاک‌سازی‌شده از mathapp/services/read_pdf.py و info_question.py مخزنِ
Rag_backend. به‌جای نوشتنِ نتیجه در یک فایلِ JSON روی دیسک، دیکشنری
برمی‌گردونه تا لایه‌ی ingest تصمیم بگیره.

pymupdf (fitz) و pdf2image اختیاری‌ان؛ نبودشون فقط این ماژول رو از کار
می‌ندازه (RagNotConfigured)، نه بقیه‌ی پروژه رو.
"""
import base64
import json
from io import BytesIO

from django.conf import settings

from . import clients
from .clients import RagNotConfigured


def extract_page_images(pdf_path: str, first_page: int = 1, dpi: int = 200):
    """لیستی از تصاویرِ PIL برای صفحاتِ PDF از first_page به بعد."""
    try:
        from pdf2image import convert_from_path
    except ModuleNotFoundError as exc:
        raise RagNotConfigured('pdf2image نصب نیست یا poppler موجود نیست.') from exc
    return convert_from_path(pdf_path, dpi=dpi, first_page=first_page)


def detect_grade_and_start_page(pdf_path: str) -> tuple[int, str | None]:
    """
    از متنِ صفحه‌ی اولِ PDF، پایه‌ی تحصیلی و صفحه‌ای که محتوای واقعی از اونجا
    شروع می‌شه رو حدس می‌زنه (مثلِ نسخه‌ی Rag_backend).
    """
    try:
        import fitz  # PyMuPDF
    except ModuleNotFoundError as exc:
        raise RagNotConfigured('pymupdf (fitz) نصب نیست.') from exc

    start_pages = {'پنجم دبستان': 11, 'ششم دبستان': 9}
    grades = ['هفتم', 'اول دبستان', 'دوم دبستان', 'سوم دبستان',
              'چهارم دبستان', 'پنجم دبستان', 'ششم دبستان']

    doc = fitz.open(pdf_path)
    try:
        text = doc[0].get_text()
    finally:
        doc.close()

    grade = next((g for g in grades if g in text), None)
    return start_pages.get(grade, 7), grade


_VISION_JSON_TEMPLATE = """
{
  "grade": "",
  "chapter": "",
  "problemTypes": [
    {"type": "", "keywords": [], "generalSolution": "",
     "exampleFromImage": {"problem": "", "solution": ""}}
  ]
}
"""


def extract_problem_types(image, grade: str, chapter_name: str) -> dict:
    """
    یک عکسِ صفحه‌ی کتاب → ساختارِ JSONِ انواعِ مسئله (فارسی)، با مدلِ vision.
    خروجی همون شکلی‌ست که uploadِ ریاضیِ تیمِ دیگه هم تولید می‌کرد.
    """
    prompt = f"""
You are a specialist elementary math teacher for children aged 8 to 12.
Analyze the uploaded image and extract every unique math problem type for the given chapter.

For each type produce: type, keywords (3-7, Persian), generalSolution (step-by-step),
exampleFromImage (one real problem from the image + full solution).

Output must follow EXACTLY this JSON structure:
{_VISION_JSON_TEMPLATE}

Rules:
- Everything in Persian (Farsi).
- grade = "{grade}"
- chapter = "{chapter_name}"
- exampleFromImage must be a real problem from the image (not invented).
- Output ONLY the JSON object. No markdown, no backticks.
"""

    buffered = BytesIO()
    image.save(buffered, format='JPEG')
    img_b64 = base64.b64encode(buffered.getvalue()).decode()

    client = clients.get_openai_client()
    response = client.chat.completions.create(
        model=settings.OPENAI_VISION_MODEL,
        messages=[
            {'role': 'system', 'content': 'You process educational visual content and respond ONLY with valid JSON.'},
            {'role': 'user', 'content': [
                {'type': 'text', 'text': prompt},
                {'type': 'image_url', 'image_url': {'url': f'data:image/jpeg;base64,{img_b64}', 'detail': 'high'}},
            ]},
        ],
        max_tokens=3000,
        temperature=0.1,
    )
    raw = (response.choices[0].message.content or '').strip()
    if raw.startswith('```json'):
        raw = raw[len('```json'):].strip()
    if raw.startswith('```'):
        raw = raw[3:].strip()
    if raw.endswith('```'):
        raw = raw[:-3].strip()
    return json.loads(raw)


def problem_type_to_text(problem_type: dict) -> str:
    """یک problemType → متنِ قابلِ embedding (مثلِ doc_text در Rag_backend)."""
    example = problem_type.get('exampleFromImage', {}) or {}
    keywords = ' '.join(problem_type.get('keywords', []) or [])
    return (
        f"Type: {problem_type.get('type', '')}\n"
        f"Keywords: {keywords}\n"
        f"General solution: {problem_type.get('generalSolution', '')}\n"
        f"Example problem: {example.get('problem', '')}\n"
        f"Example solution: {example.get('solution', '')}"
    ).strip()