"""Постобработка распознанного текста.

Две задачи: чинить систематические ошибки модели на английских терминах
(GigaAM обучена только на русском и коверкает их предсказуемым образом)
и приводить типографику к принятому виду.
"""
import re
from pathlib import Path

__all__ = ["apply_replacements", "load_replacements", "normalize_typography",
           "split_sentences"]

# Все виды тире, которые встречаются в выводе моделей, включая минус.
_DASHES = "‐‑‒–—―−"
_DASH_RE = re.compile(f"\\s*[{_DASHES}]\\s*")
# Кавычка-ёлочка, приклеенная к предыдущему слову без пробела.
_GLUED_QUOTE_RE = re.compile(r"(?<=[^\s])(«)")
_MULTISPACE_RE = re.compile(r"[ \t]{2,}")


def load_replacements(path: Path) -> dict[str, str]:
    """Читает словарь замен из файла вида `что искать = на что заменить`.

    Пустые строки и строки, начинающиеся с #, игнорируются, как и строки
    без разделителя - чтобы опечатка в файле не роняла сервис.
    """
    if not Path(path).is_file():
        return {}
    rules: dict[str, str] = {}
    for line in Path(path).read_text(encoding="utf-8").splitlines():
        line = line.strip()
        if not line or line.startswith("#") or "=" not in line:
            continue
        src, dst = line.split("=", 1)
        src, dst = src.strip(), dst.strip()
        if src:
            rules[src.lower()] = dst
    return rules


def apply_replacements(text: str, rules: dict[str, str]) -> str:
    """Заменяет термины по словарю, не трогая совпадения внутри слов.

    Длинные правила применяются первыми, иначе «так менеджер» съел бы часть
    «гугл так менеджер» и более точное правило уже не сработало бы.
    """
    if not rules:
        return text
    for src in sorted(rules, key=len, reverse=True):
        pattern = re.compile(rf"(?<!\w){re.escape(src)}(?!\w)", re.IGNORECASE)
        text = pattern.sub(rules[src].replace("\\", r"\\"), text)
    return text


def normalize_typography(text: str) -> str:
    """Приводит типографику к принятому виду: тире в дефис, отбивка кавычек."""
    text = _DASH_RE.sub(" - ", text)
    text = _GLUED_QUOTE_RE.sub(r" \1", text)
    text = _MULTISPACE_RE.sub(" ", text)
    return text.strip()


# Конец предложения: точка, восклицательный, вопросительный или многоточие,
# после которых идёт пробел. Пунктуацию расставляет сама модель GigaAM.
_SENTENCE_END_RE = re.compile(r"(?<=[.!?…])\s+")


def split_sentences(turns: list[dict]) -> list[dict]:
    """Режет реплики на предложения для последующей разметки ролей.

    Разделение по голосам на записях с одним микрофоном обычно не работает,
    и роли расставляет LLM по смыслу текста. Ей нужны именно предложения:
    в одну реплику диаризация складывает и вопрос одного человека, и ответ
    другого, поэтому разметить реплику целиком нельзя.

    Точного времени начала у предложения нет - внутри реплики оно делится
    поровну. Для сборки диалога обратно этого достаточно, для точной привязки
    к звуку - нет.
    """
    out: list[dict] = []
    for index, turn in enumerate(turns):
        parts = [p.strip() for p in _SENTENCE_END_RE.split(turn["text"]) if p.strip()]
        if not parts:
            continue
        span = (turn["end"] - turn["start"]) / len(parts)
        loudness = (turn.get("acoustics") or {}).get("loudness_db")
        for position, text in enumerate(parts):
            out.append({
                "n": len(out) + 1,
                "text": text,
                "start": round(turn["start"] + position * span, 2),
                "loudness_db": loudness,
                "turn": index,
            })
    return out