#!/usr/bin/env python3
"""
Landvex Identify API v0
FastAPI-implementation av pilot-specen.
"""
import json
import hashlib
from pathlib import Path
from typing import List, Optional
from datetime import datetime

from fastapi import FastAPI, HTTPException, File, UploadFile, Form
from pydantic import BaseModel, Field

# ─── ladda data vid startup ─────────────────────────────────────────
DATA_DIR = Path("/app/data")

poster = {}      # lvx_id -> post
kanter = []      # grafkanter
index_slug = {}  # slug -> lvx_id
index_namn = {}  # sv+en -> lvx_id

def ladda():
    global poster, kanter, index_slug, index_namn
    with open(DATA_DIR / "lvx-klassposter-master-v3.json", encoding="utf-8") as f:
        for p in json.load(f)["poster"]:
            poster[p["lvx_id"]] = p
            if p.get("slug"): index_slug[p["slug"]] = p["lvx_id"]
            for lang in ("sv", "en"):
                if p.get("namn", {}).get(lang):
                    index_namn[p["namn"][lang].lower()] = p["lvx_id"]
    # modeller
    for fn in ("lvx-produktmodeller-vag2.json", "lvx-produktmodeller-vag3.json", "lvx-produktmodeller-auto.json"):
        fp = DATA_DIR / fn
        if fp.exists():
            with open(fp, encoding="utf-8") as f:
                for p in json.load(f).get("poster", []):
                    poster[p["lvx_id"]] = p
    # graf
    with open(DATA_DIR / "lvx-graf-kanter-v3.json", encoding="utf-8") as f:
        kanter = json.load(f)["kanter"]

ladda()

# ─── Pydantic-modeller ──────────────────────────────────────────────
class Kalla(BaseModel):
    titel: str
    url: Optional[str] = None

class IdentifyKandidat(BaseModel):
    lvx_id: str
    posttyp: str
    namn: dict
    konfidens: float = Field(..., ge=0, le=1)
    verifieringsniva: str
    kannetecken_match: List[str] = []
    ocr_falt: Optional[dict] = None

class IdentifyResponse(BaseModel):
    bild_hash: str
    kandidater: List[IdentifyKandidat]
    bounty_skapad: Optional[str] = None
    besked: str

class ObjectResponse(BaseModel):
    lvx_id: str
    posttyp: str
    namn: dict
    doman: str
    verifieringsniva: str
    konfidens: float
    kallor: List[Kalla]
    teknik: Optional[dict] = None
    ai: Optional[dict] = None
    problem: List[dict] = []
    relationer: List[dict] = []

class FeedbackRequest(BaseModel):
    lvx_id: Optional[str] = None
    bild_hash: Optional[str] = None
    kommentar: str
    position: Optional[str] = None

class FeedbackResponse(BaseModel):
    bounty_id: str
    status: str

# ─── helpers ────────────────────────────────────────────────────────
def relaterade(obj_id: str):
    """Hämta alla kanter där objektet är subjekt."""
    return [k for k in kanter if k["subjekt"] == obj_id]

def succession(obj_id: str):
    """Ersättningskedja framåt och bakåt."""
    ut = {"ersatter": [], "ersatts_av": []}
    for k in kanter:
        if k["subjekt"] == obj_id:
            if k["predikat"] == "ersatter": ut["ersatter"].append(k["objekt"])
            if k["predikat"] == "ersatts_av": ut["ersatts_av"].append(k["objekt"])
        if k["objekt"] == obj_id:
            if k["predikat"] == "ersatter": ut["ersatts_av"].append(k["subjekt"])
            if k["predikat"] == "ersatts_av": ut["ersatter"].append(k["subjekt"])
    return ut

def hash_bild(data: bytes) -> str:
    return hashlib.sha256(data).hexdigest()[:16]

# ─── FastAPI app ────────────────────────────────────────────────────
app = FastAPI(
    title="Landvex Object API",
    description="Identify, query and feedback API for infrastructure objects.",
    version="0.1.0"
)

@app.get("/health")
def health():
    return {"status": "ok", "poster": len(poster), "kanter": len(kanter)}

@app.post("/v0/identify", response_model=IdentifyResponse)
async def identify(
    bild: UploadFile = File(...),
    position: Optional[str] = Form(None)
):
    """
    Bild in → rankade kandidater med konfidens.
    I piloten: mockad vision — svarar med de mest kompletta posterna.
    """
    data = await bild.read()
    bh = hash_bild(data)

    # TODO: vision-modell → feature extraction → vektorsök
    # Pilot: returnera alla Tier 1-klasser sorterade efter konfidens
    kandidater = []
    for p in poster.values():
        if p.get("tier") != 1 and p.get("posttyp") != "objektklass":
            continue
        prov = p.get("proveniens", {})
        k = IdentifyKandidat(
            lvx_id=p["lvx_id"],
            posttyp=p["posttyp"],
            namn=p.get("namn", {}),
            konfidens=prov.get("konfidens", 0.5),
            verifieringsniva=prov.get("verifieringsniva", "obekraftad"),
            kannetecken_match=p.get("ai", {}).get("kannetecken", [])[:3],
        )
        kandidater.append(k)

    kandidater.sort(key=lambda x: x.konfidens, reverse=True)
    top = kandidater[:5]

    # Om ingen når modellnivå → bounty
    bounty = None
    besked = "Kandidater hittade"
    if not any(k.konfidens > 0.75 for k in top):
        bounty = f"BNTY-{bh[:8]}"
        besked = "Svag konfidens — bounty skapad för fältverifiering"

    return IdentifyResponse(
        bild_hash=bh,
        kandidater=top,
        bounty_skapad=bounty,
        besked=besked
    )

@app.get("/v0/objects/{lvx_id}", response_model=ObjectResponse)
def get_object(lvx_id: str):
    p = poster.get(lvx_id)
    if not p:
        raise HTTPException(status_code=404, detail="Objekt ej funnet")
    prov = p.get("proveniens", {})
    return ObjectResponse(
        lvx_id=p["lvx_id"],
        posttyp=p["posttyp"],
        namn=p.get("namn", {}),
        doman=p.get("doman", ""),
        verifieringsniva=prov.get("verifieringsniva", "obekraftad"),
        konfidens=prov.get("konfidens", 0),
        kallor=[Kalla(**k) for k in prov.get("kallor", [])],
        teknik=p.get("teknik"),
        ai=p.get("ai"),
        problem=p.get("problem", []),
        relationer=relaterade(lvx_id),
    )

@app.get("/v0/objects/{lvx_id}/succession")
def get_succession(lvx_id: str):
    if lvx_id not in poster:
        raise HTTPException(status_code=404, detail="Objekt ej funnet")
    return {"lvx_id": lvx_id, **succession(lvx_id)}

@app.get("/v0/search")
def search(q: str, doman: Optional[str] = None, verifieringsniva: Optional[str] = None):
    """Fritextsök över namn och kännetecken."""
    q = q.lower()
    träffar = []
    for p in poster.values():
        namn = " ".join(p.get("namn", {}).values()).lower()
        kann = " ".join(p.get("ai", {}).get("kannetecken", [])).lower()
        if q not in namn and q not in kann:
            continue
        if doman and p.get("doman") != doman:
            continue
        if verifieringsniva and p.get("proveniens", {}).get("verifieringsniva") != verifieringsniva:
            continue
        träffar.append({
            "lvx_id": p["lvx_id"],
            "namn": p.get("namn", {}),
            "verifieringsniva": p.get("proveniens", {}).get("verifieringsniva", "obekraftad"),
            "konfidens": p.get("proveniens", {}).get("konfidens", 0),
        })
    träffar.sort(key=lambda x: x["konfidens"], reverse=True)
    return {"antal": len(träffar), "traffar": träffar[:20]}

@app.get("/v0/standards/{beteckning}/objects")
def objects_by_standard(beteckning: str):
    bet = beteckning.upper()
    träffar = []
    for k in kanter:
        if k["predikat"] == "foljer_standard" and bet in k["objekt"].upper():
            träffar.append(k["subjekt"])
    return {"standard": beteckning, "antal": len(träffar), "lvx_ids": sorted(set(träffar))}

@app.post("/v0/feedback", response_model=FeedbackResponse)
def feedback(req: FeedbackRequest):
    """Fel eller okänt objekt → bounty."""
    bid = f"BNTY-FB-{hashlib.sha256(req.kommentar.encode()).hexdigest()[:8]}"
    return FeedbackResponse(bounty_id=bid, status="skapad")

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8080)