import json
import re
import requests
import pandas as pd
from config import OLLAMA_URL, OLLAMA_MODEL
from core.database import get_all_rules_from_db
from core.database import get_department_synonyms_dict, add_department_synonym_to_db

def resolve_department_exception_ai(dept_1c, dept_scud, exception_departments):
    """
    Универсальный сопоставитель отделов.
    Проверяет 1С, СКУД, локальную базу синонимов SQLite и задействует ИИ для сложных случайных аббревиатур.
    """
    if not exception_departments:
        return False

    d_1c = str(dept_1c).strip().lower() if dept_1c else ""
    d_scud = str(dept_scud).strip().lower() if dept_scud else ""
    exc_list = [d.strip().lower() for d in exception_departments]

    # 1. Прямая проверка: если точное имя или подстрока уже совпали в 1С или СКУД
    for exc in exc_list:
        if exc and (exc in d_1c or exc in d_scud or d_1c in exc or d_scud in exc):
            return True

    # 2. Проверка по сохраненной Базе Знаний синонимов из SQLite
    synonyms = get_department_synonyms_dict()
    for exc in exc_list:
        # Если в БД зафиксировано: 'овк' -> 'отдел внутреннего контроля'
        full_from_db = synonyms.get(exc, "")
        if full_from_db and (full_from_db in d_1c or full_from_db in d_scud):
            return True

    # 3. Умный ИИ-арбитраж (если отдел спорный и еще не сохранен в БД)
    if d_1c or d_scud:
        dept_to_check = d_1c if d_1c else d_scud
        prompt = f"""
Ты — кадровый аналитик. 
Проверь, является ли отдел сотрудника "{dept_to_check}" тем же самым подразделением, что и один из отделов-исключений: {exception_departments}?

Примеры:
- "Отдел внутреннего контроля" — это "ОВК" (Да)
- "Отдел технического обеспечения" — это "ОТО" (Да)

Ответь СТРОГО в формате JSON:
{{
  "is_match": true/false,
  "matched_exception": "Название из списка исключений",
  "explanation": "краткое объяснение"
}}
"""
        try:
            raw_res = ask_ollama(prompt, system_prompt="Отвечай только валидным JSON.")
            match = re.search(r'\{.*\}', raw_res, re.DOTALL)
            if match:
                data = json.loads(match.group(0))
                if data.get("is_match"):
                    matched_exc = data.get("matched_exception", "").lower()
                    # Запоминаем открытую ИИ связь в SQLite навсегда!
                    add_department_synonym_to_db(matched_exc, dept_to_check)
                    return True
        except Exception as e:
            print(f"[⚠️] Ошибка ИИ-арбитража отделов: {e}")

    return False

def ask_ollama(prompt, system_prompt=None):
    """
    Универсальная функция отправки запросов к локальной модели Ollama (Qwen 2.5).
    """
    payload = {
        "model": OLLAMA_MODEL,
        "prompt": f"{system_prompt}\n\n{prompt}" if system_prompt else prompt,
        "stream": False
    }

    try:
        response = requests.post(OLLAMA_URL, json=payload, timeout=120)
        if response.status_code == 200:
            data = response.json()
            if "response" in data:
                return data["response"].strip()
            elif "message" in data and "content" in data["message"]:
                return data["message"]["content"].strip()
            else:
                return f"⚠️ Неизвестная структура ответа Ollama: {data}"
        else:
            return f"⚠️ Ошибка Ollama (Код {response.status_code}): {response.text}"
    except requests.exceptions.ConnectionError:
        return "⚠️ Не удалось подключиться к Ollama. Проверьте, запущен ли сервис (ollama run qwen2.5:14b)."
    except Exception as e:
        return f"⚠️ Ошибка при обращении к Ollama: {e}"


def get_system_rules_context():
    """
    Загружает динамические системные правила компании напрямую из Базы Данных SQLite.
    """
    rules = get_all_rules_from_db()
    if not rules:
        return ""
    rules_text = "\n".join([f"- {r}" for r in rules])
    return f"\nОБЯЗАТЕЛЬНЫЕ ГЛОБАЛЬНЫЕ ПРАВИЛА И ПРИОРИТЕТЫ КОМПАНИИ (ИЗ SQLITE БД):\n{rules_text}\n"


def analyze_scud_mass_failure_ai(df_scud):
    """
    Оценивает процент аномалий 'ANOMALY_NO_IN_HAS_ACTIVITY' в выгрузке.
    Если процент аномалий превышает 5% от смены или 10 человек, вызывает ИИ для генерации критического алерта.
    """
    if df_scud is None or df_scud.empty:
        return None

    total_records = len(df_scud)
    anomaly_rows = df_scud[df_scud.get('anomaly_flag', 'NONE') == 'ANOMALY_NO_IN_HAS_ACTIVITY']
    anomaly_count = len(anomaly_rows)

    if total_records == 0:
        return None

    anomaly_percent = round((anomaly_count / total_records) * 100, 1)

    if anomaly_percent > 5.0 or anomaly_count >= 10:
        rules_context = get_system_rules_context()
        prompt = f"""
{rules_context}
ВНИМАНИЕ! Проведён анализ смены СКУД:
- Всего записей за смену: {total_records}
- Выявлено сотрудников без утреннего входа, но с зафиксированной дневной активностью: {anomaly_count} ({anomaly_percent}% от смены)

Сформируй понятное предупреждение для Администратора СКУД и Руководителя. 
Объясни, что это критический массовый сбой турникетов/контроллеров входа на КПП, и порекомендуй действия.
"""
        alert_text = ask_ollama(prompt, system_prompt="Ты — ИИ-аналитик контроллинга СКУД. Отвечай кратко и строго по делу.")
        return {
            "is_mass_failure": True,
            "anomaly_count": anomaly_count,
            "anomaly_percent": anomaly_percent,
            "alert_text": alert_text
        }

    return {
        "is_mass_failure": False,
        "anomaly_count": anomaly_count,
        "anomaly_percent": anomaly_percent,
        "alert_text": "Массовых сбоев оборудования не зафиксировано."
    }


def ai_verify_scud_against_staff(unrecognized_scud_fios, staff_fios):
    if not unrecognized_scud_fios or not staff_fios:
        return {}

    # Исключаем точные совпадения
    staff_fios_set = set(staff_fios)
    real_unrecognized = [f for f in unrecognized_scud_fios if f not in staff_fios_set]

    if not real_unrecognized:
        return {}

    rules_context = get_system_rules_context()

    prompt = f"""
Ты — кадровый аудитор безопасности СКУД.
{rules_context}
В СКУД записаны неопознанные ФИО: {json.dumps(real_unrecognized, ensure_ascii=False)}
В официальном Штатном расписании 1С записаны ЭТАЛОНЫ: {json.dumps(staff_fios, ensure_ascii=False)}

СТРОГИЕ ПРАВИЛА:
1. Запись из Штат 1С — это 100% ПРАВИЛЬНЫЙ эталон.
2. В СКУД допущена опечатка.
3. Любое присутствие сотрудника по СКУД при наличии в 1С документа отсутствия (кроме командировок) является гарантированной аномалией.
4. В поле "warning" опиши обнаруженную опечатку.
5. Запрещено выдумывать опечатки и объединять разных людей/однофамильцев!

ОТВЕЧАЙ ТОЛЬКО ИСКЛЮЧИТЕЛЬНО В ФОРМАТЕ ВАЛИДНОГО JSON:
{{
  "verified_matches": [
    {{
      "scud_fio": "ФИО из СКУД",
      "staff_fio": "эталон ФИО из Штат 1С",
      "warning": "Описание опечатки в СКУД"
    }}
  ]
}}
"""
    raw_response = ask_ollama(
        prompt, 
        system_prompt="Ты — строгий JSON API генератор. Отвечай только валидным JSON объектом без пояснительного текста."
    )
    
    mapping = {}
    if not raw_response:
        return mapping

    # Фаза 1: Попытка прямого разбора с санитарной очисткой
    try:
        match = re.search(r'\{.*\}', raw_response, re.DOTALL)
        if match:
            json_str = match.group(0)
            # Убираем висячие запятые: {"a": 1,} -> {"a": 1}
            json_str = re.sub(r',\s*([\}\]])', r'\1', json_str)
            # Заменяем одинарные кавычки в ключах/значениях на двойные при необходимости
            json_str = re.sub(r"(?<=\{|\,)\s*'([^']+)'\s*:", r'"\1":', json_str)
            
            data = json.loads(json_str)
            for item in data.get("verified_matches", []):
                scud_f = item.get("scud_fio")
                staff_f = item.get("staff_fio")
                warn = item.get("warning", "Точное совпадение (без опечаток)")
                if scud_f and staff_f and staff_f in staff_fios_set:
                    mapping[scud_f] = {"staff_fio": staff_f, "warning": warn}
            return mapping
    except Exception:
        pass

    # Фаза 2: Резервный Regex-парсер (если JSON синтаксически сломан, но пары ключ-значение есть)
    try:
        pattern = r'["\']scud_fio["\']\s*:\s*["\']([^"\']+)["\'].*?["\']staff_fio["\']\s*:\s*["\']([^"\']+)["\']'
        matches = re.findall(pattern, raw_response, re.DOTALL)
        for scud_f, staff_f in matches:
            scud_clean = scud_f.strip()
            staff_clean = staff_f.strip()
            if staff_clean in staff_fios_set:
                mapping[scud_clean] = {"staff_fio": staff_clean, "warning": "Восстановлено парсером опечаток"}
    except Exception as e:
        print(f"[!] Ошибка резервного парсинга опечаток: {e}")

    return mapping


def ai_verify_department_exceptions(unexplained_df, exception_departments):
    """
    Локальный ИИ проверяет, не являются ли неотмеченные отделы синонимами отделов-исключений.
    """
    if unexplained_df.empty or not exception_departments:
        return []

    dept_list = unexplained_df['Подразделение'].dropna().unique().tolist()
    rules_context = get_system_rules_context()

    prompt = f"""
{rules_context}
Ты — кадровый аудитор.
Список отделов-исключений компании: {json.dumps(exception_departments, ensure_ascii=False)}
Список отделов сотрудников, попавших в неизвестные: {json.dumps(dept_list, ensure_ascii=False)}

Определи, какие из отделов сотрудников являются ПОЛНЫМИ НАЗВАНИЯМИ или СИНУНИМАМИ отделов-исключений (например: 'Отдел внутреннего контроля' — это 'ОВК').

Выдай ответ строго в формате JSON:
{{
  "matched_departments": ["Название отдела 1", "Название отдела 2"]
}}
"""
    raw_response = ask_ollama(prompt, system_prompt="Выдавай только валидный JSON.")
    
    try:
        match = re.search(r'\{.*\}', raw_response, re.DOTALL)
        if match:
            data = json.loads(match.group(0))
            return data.get("matched_departments", [])
    except Exception as e:
        print(f"[⚠️] Ошибка ИИ-арбитража отделов: {e}")
        
    return []