"""Подготовка таблицы реплик с токенами, тегами и текстами для LSA."""

from __future__ import annotations

from pathlib import Path

import pandas as pd

from .io import DEFAULT_DATA_PATH, corpus_fingerprint, read_corpus
from .tokenization import Tokenizer

DEFAULT_CACHE_PATH = Path(__file__).resolve().parents[1] / "data" / "processed" / "tokenized.pkl"

REQUIRED_COLUMNS = {
    "line_id",
    "character",
    "text",
    "tokens",
    "ptb",
    "upos",
    "sentences",
    "pos_text",
    "fw_text",
    "content_text",
}


def build_feature_frame(
    data_path: str | Path | None = None,
    tokenizer: Tokenizer | None = None,
    verbose: bool = True,
) -> pd.DataFrame:
    """Читает корпус и добавляет результаты токенизации и разметки."""
    data_path = Path(data_path) if data_path is not None else DEFAULT_DATA_PATH
    frame = read_corpus(data_path)
    tokenizer = tokenizer or Tokenizer(use_nltk=True)
    features = tokenizer.analyze_frame(frame, verbose=verbose)
    features.attrs["corpus_path"] = str(data_path)
    features.attrs["corpus_sha256"] = corpus_fingerprint(data_path)
    features.attrs["nltk_used"] = tokenizer.use_nltk
    features.attrs["pos_available"] = tokenizer.pos_available
    return features


def save_feature_frame(frame: pd.DataFrame, path: str | Path) -> Path:
    path = Path(path)
    path.parent.mkdir(parents=True, exist_ok=True)
    frame.to_pickle(path)
    return path


def load_feature_frame(
    data_path: str | Path | None = None,
    cache_path: str | Path | None = None,
    force: bool = False,
    verbose: bool = True,
) -> pd.DataFrame:
    """Загружает кэш токенизации или строит его заново.

    Кэш проверяется по SHA-256 исходного файла. Если файл корпуса изменился,
    токенизация выполняется повторно.
    """
    data_path = Path(data_path) if data_path is not None else DEFAULT_DATA_PATH
    cache_path = Path(cache_path) if cache_path is not None else DEFAULT_CACHE_PATH

    if cache_path.exists() and not force:
        try:
            frame = pd.read_pickle(cache_path)
            if REQUIRED_COLUMNS <= set(frame.columns):
                cached_hash = frame.attrs.get("corpus_sha256")
                current_hash = corpus_fingerprint(data_path)
                if cached_hash == current_hash:
                    if verbose:
                        print(f"[datasets] загружен кэш: {cache_path}")
                    return frame
                if verbose:
                    print("[datasets] корпус изменился, пересобираю признаки.")
        except Exception as error:
            if verbose:
                print(f"[datasets] не удалось прочитать кэш ({error}), пересобираю.")

    frame = build_feature_frame(data_path, verbose=verbose)
    save_feature_frame(frame, cache_path)
    if verbose:
        print(f"[datasets] кэш сохранён: {cache_path}")
    return frame