#!/usr/bin/env python3
"""Полигон, пакет-7 (A3): recall боевого WHICH-канала против ПОДПИСАННОГО ВЛАДЕЛЬЦЕМ банка.

Вопрос, на который отвечает скрипт: из терминов, которые владелец УЖЕ подписал для этой книги и
которые физически встречаются в срезе, сколько боевой майнер предлагает сам?

Дисциплина замера (иначе цифра врёт в свою пользу):
  - знаменатель — только те термины сида, что РЕАЛЬНО встречаются в срезе (иначе меряем не recall,
    а длину среза);
  - майнер прогоняется с ПУСТЫМ сидом, иначе он по построению исключает уже засеянное
    (`miner_emit.go:134` — `seedSurfaces[c.Src]` → continue) и recall выйдет 0 по определению;
  - засчитывается и попадание в алиас-кластер: движок считает такой кандидат «алиасом
    существующего» и владелец видит его на стопе. Обе цифры печатаются раздельно.
  - ключи нормализуются тем же способом, что и в движке (trad→simp, NFKC, lower) — тут повторено
    ЧАСТИЧНО (NFKC+casefold): полный `text.NormalizeSourceKey` — Go. Расхождение помечается.

$0, stdlib + PyYAML.
"""
from __future__ import annotations

import argparse
import json
import sys
import unicodedata
from pathlib import Path

import yaml


def nk(s: str) -> str:
    return unicodedata.normalize("NFKC", s).casefold().strip()


def main() -> int:
    ap = argparse.ArgumentParser()
    ap.add_argument("--seed", required=True, type=Path)
    ap.add_argument("--chunks", required=True, type=Path)
    ap.add_argument("--mined-tsv", required=True, type=Path)
    ap.add_argument("--out", type=Path)
    a = ap.parse_args()

    doc = yaml.safe_load(a.seed.read_text(encoding="utf-8")) or {}
    terms = doc.get("terms") or []
    text = "\n".join(json.loads(l)["source"] for l in a.chunks.open(encoding="utf-8") if l.strip())

    mined_primary, mined_all = set(), set()
    for i, line in enumerate(a.mined_tsv.open(encoding="utf-8")):
        if i == 0:
            continue
        f = line.rstrip("\n").split("\t")
        if not f or not f[0]:
            continue
        mined_primary.add(nk(f[0]))
        mined_all.add(nk(f[0]))
        if len(f) > 4 and f[4]:
            mined_all.update(nk(x) for x in f[4].split("|") if x)

    rows = []
    for t in terms:
        src = t.get("src") or ""
        surfaces = [src] + [al.get("alias", "") for al in (t.get("aliases") or [])]
        present = [s for s in surfaces if s and s in text]
        if not present:
            continue
        keys = {nk(s) for s in surfaces if s}
        rows.append({
            "src": src, "type": t.get("type", ""), "dst": t.get("dst", ""),
            "status": t.get("status", ""),
            "occurrences": sum(text.count(s) for s in present),
            "hit_primary": bool(keys & mined_primary),
            "hit_any": bool(keys & mined_all),
        })

    n = len(rows)
    hp = sum(r["hit_primary"] for r in rows)
    ha = sum(r["hit_any"] for r in rows)
    bytype: dict[str, list[int]] = {}
    for r in rows:
        b = bytype.setdefault(r["type"] or "—", [0, 0])
        b[0] += 1
        b[1] += int(r["hit_any"])

    print(f"термов сида, встречающихся в срезе: {n}")
    print(f"  предложены майнером как ПЕРВИЧНЫЙ терм: {hp}  recall={hp / n:.3f}" if n else "  —")
    print(f"  предложены как терм ИЛИ алиас:          {ha}  recall={ha / n:.3f}" if n else "  —")
    print("по типам (знаменатель / попало):")
    for k in sorted(bytype):
        c, h = bytype[k]
        print(f"  {k:8s} {h:3d}/{c:<3d} = {h / c:.3f}")
    print("\nНЕ предложенные (топ-25 по частоте):")
    for r in sorted((r for r in rows if not r["hit_any"]), key=lambda r: -r["occurrences"])[:25]:
        print(f"  {r['src']}\t{r['type']}\t{r['occurrences']}×\t{r['dst']}")

    if a.out:
        a.out.write_text(json.dumps(rows, ensure_ascii=False, indent=1), encoding="utf-8")
    return 0


if __name__ == "__main__":
    raise SystemExit(main())