#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# --------------------------------------------------
# chunking_utils.py
#
# Enthält robuste Text-Chunking-Logik:
# 1. Absatzbasiertes Chunking
# 2. Satzbasiertes Chunking per Regex (kein NLTK)
# 3. Satz-Overlap-Chunking
# --------------------------------------------------

import re

# --------------------------------------------------
# Hilfsfunktion: split_sentences
# Zweck:
#   - Teilt Text in Sätze auf, basierend auf Punkt, Ausrufe- und Fragezeichen
#   - Trennt bei ".!? " (Satzzeichen gefolgt von Leerraum)
# Parameter:
#   text : Volltext als String
# Rückgabe:
#   Liste von Satz-Strings
# --------------------------------------------------
def split_sentences(text: str) -> list[str]:
    # Regex: lookbehind für . ! oder ?, dann ein oder mehrere Whitespace-Zeichen
    return re.split(r'(?<=[\.!?])\s+', text.strip())


# --------------------------------------------------
# Funktion: chunk_text_paragraphs
# Zweck:
#   - Trennt Text absatzweise in Chunks mit bis zu max_length Zeichen
#   - Absätze werden an doppelten Zeilenumbrüchen getrennt
#   - Zu große Absätze werden hart in max_length-Teile gesplittet
# Parameter:
#   text       : Volltext als String
#   max_length : Maximale Länge eines Chunks (Standard 500)
# Rückgabe:
#   Liste von Strings (Chunks)
# --------------------------------------------------
def chunk_text_paragraphs(text: str, max_length: int = 500) -> list[str]:
    paragraphs = re.split(r'\n\s*\n', text.strip())
    chunks: list[str] = []
    current_chunk = ""

    for para in paragraphs:
        para = para.strip()
        if not para:
            continue

        # Prüfen, ob Absatz noch in aktuellen Chunk passt (+2 für "\n\n")
        if len(current_chunk) + len(para) + 2 <= max_length:
            if current_chunk:
                current_chunk += "\n\n" + para
            else:
                current_chunk = para
        else:
            # Bislang gesammelten Chunk speichern
            if current_chunk:
                chunks.append(current_chunk)

            # Absatz hart splitten, wenn er allein zu groß ist
            if len(para) > max_length:
                for i in range(0, len(para), max_length):
                    part = para[i:i + max_length]
                    chunks.append(part)
                current_chunk = ""
            else:
                # Neuer Chunk beginnt mit diesem Absatz
                current_chunk = para

    # Letzten Chunk nicht vergessen
    if current_chunk:
        chunks.append(current_chunk)

    return chunks


# --------------------------------------------------
# Funktion: chunk_by_sentences
# Zweck:
#   - Zerlegt Text in Sätze per Regex-Split
#   - Baut daraus Chunks mit ganzen Sätzen bis max_length
# Parameter:
#   text       : Volltext als String
#   max_length : Maximale Länge eines Chunks (Standard 500)
# Rückgabe:
#   Liste von Strings (Chunks)
# --------------------------------------------------
def chunk_by_sentences(text: str, max_length: int = 500) -> list[str]:
    sentences = split_sentences(text)
    chunks: list[str] = []
    current_chunk = ""

    for sent in sentences:
        sent = sent.strip()
        if not sent:
            continue

        # Prüfen, ob Satz noch in aktuellen Chunk passt (+1 für Leerzeichen)
        if len(current_chunk) + len(sent) + 1 <= max_length:
            if current_chunk:
                current_chunk += " " + sent
            else:
                current_chunk = sent
        else:
            # Bisher gesammelten Chunk speichern
            if current_chunk:
                chunks.append(current_chunk)

            # Einzelnen Satz hart splitten, falls er zu lang ist
            if len(sent) > max_length:
                for i in range(0, len(sent), max_length):
                    chunks.append(sent[i:i + max_length])
                current_chunk = ""
            else:
                current_chunk = sent

    # Letzten Chunk nicht vergessen
    if current_chunk:
        chunks.append(current_chunk)

    return chunks


# --------------------------------------------------
# Funktion: chunk_with_sentence_overlap
# Zweck:
#   - Baut zunächst sentence-basierte Chunks
#   - Fügt vom vorherigen Chunk overlap_sents Sätze vorne an
# Parameter:
#   text           : Volltext als String
#   max_length     : Maximale Länge eines Chunks (Standard 500)
#   overlap_sents  : Anzahl Sätze, die überlappend übernommen werden (Standard 1)
# Rückgabe:
#   Liste von Strings (Chunks mit Kontext-Overlap)
# --------------------------------------------------
def chunk_with_sentence_overlap(
    text: str,
    max_length: int = 500,
    overlap_sents: int = 1
) -> list[str]:
    base_chunks = chunk_by_sentences(text, max_length)
    overlapped: list[str] = []

    for idx, chunk in enumerate(base_chunks):
        if idx == 0 or overlap_sents <= 0:
            overlapped.append(chunk)
        else:
            prev = base_chunks[idx - 1]
            prev_sents = split_sentences(prev)
            context = " ".join(prev_sents[-overlap_sents:])
            overlapped.append((context + " " + chunk).strip())

    return overlapped