import os
import shutil
import subprocess
import sys
from langchain_community.document_loaders import UnstructuredMarkdownLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma

# ================= KONFIGURACJA =================
# Podaj tu nazwę swojego pliku EPUB (musi być w tym samym folderze)
EPUB_FILE = "build123d-readthedocs-io-en-latest.epub"
# Nazwa pliku tymczasowego (skrypt sam go stworzy)
MD_FILE = "converted_docs.md"
# Folder bazy danych
DB_DIR = "/home/pali112/db_build123d"
# ================================================

def convert_epub_to_md():
    """Konwertuje EPUB do MD używając systemowego Pandoc."""
    print(f"🔄 Rozpoczynam konwersję: {EPUB_FILE} -> {MD_FILE}")

    if not os.path.exists(EPUB_FILE):
        print(f"❌ BŁĄD: Nie znaleziono pliku {EPUB_FILE}!")
        sys.exit(1)

    # Sprawdzenie czy pandoc jest zainstalowany
    if shutil.which("pandoc") is None:
        print("❌ BŁĄD: Nie znaleziono 'pandoc'. Zainstaluj go: sudo apt install pandoc")
        sys.exit(1)

    try:
        # Wywołanie komendy systemowej
        cmd = ["pandoc", EPUB_FILE, "-t", "markdown", "-o", MD_FILE]
        subprocess.run(cmd, check=True)
        print("✅ Konwersja zakończona sukcesem.")
    except subprocess.CalledProcessError as e:
        print(f"❌ Błąd podczas konwersji pandoc: {e}")
        sys.exit(1)

def rebuild_database():
    # 1. Konwersja (Automatyczna)
    convert_epub_to_md()

    # 2. Czyszczenie starej bazy
    if os.path.exists(DB_DIR):
        print(f"🗑️  Usuwam starą bazę: {DB_DIR}")
        shutil.rmtree(DB_DIR)

    # 3. Ładowanie przekonwertowanego pliku
    print(f"📖 Wczytuję treść z: {MD_FILE}...")
    loader = UnstructuredMarkdownLoader(MD_FILE)
    data = loader.load()

    # Statystyka surowego tekstu
    raw_text_len = len(data[0].page_content)
    print(f"   Wczytano {raw_text_len} znaków tekstu.")

    if raw_text_len < 1000:
        print("⚠️ UWAGA: Bardzo mało tekstu! Konwersja mogła się nie udać.")

    # 4. Dzielenie na kawałki (Chunking)
    print("✂️  Dzielę tekst na fragmenty...")
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000,
        chunk_overlap=200,
        separators=["\n## ", "\n### ", "\n", " ", ""]
    )
    all_splits = text_splitter.split_documents(data)

    count = len(all_splits)
    print(f"   Stworzono {count} chunków.")

    # 5. Tworzenie bazy wektorowej
    print("🧠 Generowanie embedingów i zapisywanie do ChromaDB...")
    embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")

    vectorstore = Chroma.from_documents(
        documents=all_splits,
        embedding=embeddings,
        persist_directory=DB_DIR
    )

    final_count = vectorstore._collection.count()
    print("-" * 40)
    print(f"✅ SUKCES! Baza gotowa w {DB_DIR}")
    print(f"📊 Liczba wektorów w bazie: {final_count}")
    print("-" * 40)

    # Opcjonalnie: Usuń plik tymczasowy md, żeby nie śmiecić
    # os.remove(MD_FILE)

if __name__ == "__main__":
    rebuild_database()