"""Fungsi bersama untuk Lab P-10 (RAG Part 1)."""
import re
from pathlib import Path
from pypdf import PdfReader

MODEL_EMBED = "paraphrase-multilingual-MiniLM-L12-v2"   # multilingual, jalan lokal
DB_PATH = "./chroma_db"
FOLDER_DOKUMEN = Path("dokumen")


def baca_pdf_per_halaman(path):
    """Kembalikan list (nomor_halaman, teks). Halaman tanpa teks (scan) dilewati."""
    reader = PdfReader(path)
    hasil = []
    for i, p in enumerate(reader.pages, start=1):
        teks = re.sub(r"\s+", " ", p.extract_text() or "").strip()   # rapikan baris baru PDF
        if teks:
            hasil.append((i, teks))
    return hasil


def baca_pdf(path):
    """Seluruh teks PDF sebagai satu string."""
    return "\n".join(t for _, t in baca_pdf_per_halaman(path))


def potong(teks, ukuran=800, tumpang=100):
    """Pemotongan ukuran tetap (karakter) dengan overlap."""
    if tumpang >= ukuran:
        raise ValueError("tumpang harus lebih kecil dari ukuran")
    hasil, mulai = [], 0
    while mulai < len(teks):
        hasil.append(teks[mulai:mulai + ukuran])
        if mulai + ukuran >= len(teks):      # sisa teks sudah masuk chunk ini; jangan buat chunk ekor
            break
        mulai += ukuran - tumpang
    return [h for h in hasil if h.strip()]


def nama_koleksi(ukuran):
    return f"pedoman_{ukuran}"


def ambil_embedding():
    """Model embedding multilingual (diunduh sekali, lalu tersimpan di cache)."""
    from chromadb.utils import embedding_functions
    return embedding_functions.SentenceTransformerEmbeddingFunction(model_name=MODEL_EMBED)


def buka_klien():
    import chromadb
    return chromadb.PersistentClient(path=DB_PATH)


def buat_koleksi(klien, nama, emb):
    """Buat/ambil koleksi dengan jarak cosine (menyesuaikan versi ChromaDB)."""
    try:
        return klien.get_or_create_collection(
            name=nama, embedding_function=emb, metadata={"hnsw:space": "cosine"})
    except Exception:
        return klien.get_or_create_collection(
            name=nama, embedding_function=emb,
            configuration={"hnsw": {"space": "cosine"}})


def ambil_koleksi(klien, nama, emb):
    return klien.get_collection(name=nama, embedding_function=emb)