import difflib
import os
import re

from Generator.LogGenerator import LogGenerator
from Processor.StreamingLogCluster import StreamingLogCluster
from Tester.RegressionMetricsCalculator import RegressionMetricsCalculator


def evaluate_template_similarity(gt_template: str, gen_template: str) -> dict:
    """
    Оценивает схожесть сгенерированного шаблона (gen) с эталонным (gt - Ground Truth).
    """
    # 1. Разбиваем шаблоны на сегменты (текст и теги <...>)
    gt_parts = [p for p in re.split(r'(<[^>]+>)', gt_template) if p]
    gen_parts = [p for p in re.split(r'(<[^>]+>)', gen_template) if p]

    # --- СТРОГАЯ ПРОВЕРКА (Regex) ---
    # Создаем регулярное выражение из эталона:
    # Текст должен совпасть жестко, а переменные эталона могут проглотить что угодно (.*)
    regex_pattern = '^'
    for part in gt_parts:
        if part.startswith('<') and part.endswith('>'):
            regex_pattern += '(.*)'
        else:
            regex_pattern += re.escape(part)
    regex_pattern += '$'

    # Подготавливаем Gen: заменяем его переменные на нулевой байт,
    # чтобы они поглотились `(.*)`, но не совпали с реальным текстом случайно
    gen_string_for_regex = re.sub(r'<[^>]+>', '\x00', gen_template)

    is_perfect_structure = bool(re.match(regex_pattern, gen_string_for_regex, flags=re.DOTALL))

    # --- МЯГКАЯ ОЦЕНКА В ПРОЦЕНТАХ (Preservation Score) ---
    # Достаем только жесткие константы, выбрасывая все переменные
    gt_consts = "".join(p for p in gt_parts if not (p.startswith('<') and p.endswith('>')))
    gen_consts = "".join(p for p in gen_parts if not (p.startswith('<') and p.endswith('>')))

    # Сравниваем, насколько "скелет" Gen содержит внутри себя "скелет" Эталона
    matcher = difflib.SequenceMatcher(None, gt_consts, gen_consts)

    # Считаем сумму символов эталона, которые остались на своих местах
    matched_chars = sum(block.size for block in matcher.get_matching_blocks())

    # Считаем процент от 0.0 до 1.0
    preservation_score = matched_chars / len(gt_consts) if gt_consts else 1.0

    return {
        "is_perfect": is_perfect_structure,  # True, если структура не нарушена вообще
        "score": round(preservation_score, 4),  # 1.0 = Идеал, < 1.0 = Переменные "съели" константы
    }


if __name__ == '__main__':
    gen = LogGenerator()
    metrics = RegressionMetricsCalculator()

    MODEL_PATH = '../Resources/model'
    DB_FILE = "../Resources/logs.db"

    if os.path.exists(DB_FILE):
        os.remove(DB_FILE)

    print("--- ЗАПУСК: Delta Mode ---")
    clusterer = StreamingLogCluster(MODEL_PATH, db_path=DB_FILE)

    # Генерируем 10 примеров
    for i in range(1):
        # 1. Получаем объект Term
        term = gen.generate()

        # 3. Используем данные (например, сохраняем в JSON для обучения)
        print(f"--- Sample {i + 1} ---")
        template = term.structure().text
        print(f"Template :{template}")

        for j in range(10):
            # 2. Рендерим его в строку и метаданные
            log = term.render(0.5)
            processed = clusterer.process(log.text)
            eval_result = evaluate_template_similarity(template, processed['template_view'])
            score = eval_result['score']
            metrics.add_sample(score)

            print(f"Positive {j}:  {processed['template_view']}")
            #print(score)

        print(f"Template  :  {template}")

    # # --- ВЫВОДИТ ИТОГОВЫЕ МЕТРИКИ В КОНЦЕ СКРИПТА ---
    # print("\n" + "=" * 40)
    # print("Метрики:")
    # print("=" * 40)
    # results = metrics.calculate()
    # for metric_name, value in results.items():
    #     print(f"{metric_name:<10}: {value}")