import os
from typing import List
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI
# Для локальной разработки без OpenAI:
# from langchain_ollama import ChatOllama

from models import ApiEvent, HttpOkEvent, HttpErrorEvent, ApiEventAdapter

# Системный промпт для извлечения структурированных событий
SYSTEM_PROMPT = """Ты — парсер логов HTTP API. Из входного текста извлеки структурированные события.

Правила:
1. Каждая строка лога — отдельное событие
2. Если статус 2xx (200, 201 и т.д.) — создавай HttpOkEvent (kind='ok')
3. Если статус 4xx или 5xx — создавай HttpErrorEvent (kind='error')
4. Всегда заполняй все поля: kind, status, path, duration_ms (для ok) или error_message (для error)
5. Если длительности нет в логе, укажи 0.0
6. Если сообщения об ошибке нет, составь стандартное: "HTTP {status} error"

Входной формат лога может быть разным, но старайся извлечь:
- status: число 200, 404, 500 и т.д.
- path: строка типа /api/users, /products/123
- duration_ms: число
- error_message: текст ошибки (если есть)
"""

class LogEventParser:
    def __init__(self, model_name: str = "gpt-3.5-turbo", temperature: float = 0.0, openai_api_key: str = None):
        """Инициализация парсера с LangChain structured output"""
        # Настройка OpenAI (можно заменить на Ollama)
        kwargs = {
            "model": model_name,
            "temperature": temperature,
        }
        if openai_api_key:
            kwargs["api_key"] = openai_api_key
        elif os.getenv("OPENAI_API_KEY"):
            kwargs["api_key"] = os.getenv("OPENAI_API_KEY")
        
        self.llm = ChatOpenAI(**kwargs)
        
        # Привязываем структуру вывода напрямую к LLM (LangChain >=0.2)
        self.structured_llm = self.llm.with_structured_output(ApiEvent, method="function_calling")
    
    def parse_single_event(self, log_line: str) -> ApiEvent:
        """Парсит одну строку лога в ApiEvent"""
        messages = [
            SystemMessage(content=SYSTEM_PROMPT),
            HumanMessage(content=f"Извлеки событие из строки лога:\n{log_line}")
        ]
        
        # LangChain автоматически вернёт нужный объект благодаря discriminated union
        event = self.structured_llm.invoke(messages)
        return event
    
    def parse_multiple_events(self, log_text: str, separator: str = "\n") -> List[ApiEvent]:
        """Парсит несколько событий из текста (по строкам или разделителю)"""
        events = []
        
        # Разбиваем на блоки
        blocks = log_text.strip().split(separator)
        
        for block in blocks:
            if not block.strip():
                continue
            try:
                event = self.parse_single_event(block)
                events.append(event)
            except Exception as e:
                print(f"⚠️ Ошибка парсинга строки '{block[:50]}...': {e}")
                continue
        
        return events

# Альтернативный парсер через PydanticOutputParser (без function calling)
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import PromptTemplate

class LogEventParserWithParser:
    """Версия с PydanticOutputParser (работает без function calling)"""
    
    def __init__(self, model_name: str = "gpt-3.5-turbo", temperature: float = 0.0):
        self.llm = ChatOpenAI(model=model_name, temperature=temperature)
        self.parser = PydanticOutputParser(pydantic_object=ApiEventAdapter)  # Используем адаптер
        
        self.prompt = PromptTemplate(
            template="""Извлеки событие из строки лога.
{format_instructions}

Лог: {log_line}

Верни только JSON с полем kind и соответствующими полями для события.""",
            input_variables=["log_line"],
            partial_variables={"format_instructions": self.parser.get_format_instructions()}
        )
        
        self.chain = self.prompt | self.llm | self.parser
    
    def parse_single_event(self, log_line: str) -> ApiEvent:
        result = self.chain.invoke({"log_line": log_line})
        return result