"""GraphRAG 检索缓存。

使用 cachetools 的 TTLCache 为 KG 服务响应和 embedding 向量
提供内存级 LRU + TTL 缓存，减少重复网络调用。

缓存策略：
- KG 全文搜索结果：TTL 5 分钟，最多 256 条
- KG 子图导出结果：TTL 5 分钟，最多 256 条
- Embedding 向量：TTL 10 分钟，最多 512 条（embedding 计算成本高）

写操作由 Java 侧负责，Python 只读，因此不需要写后失效机制。
TTL 到期后自然过期，保证最终一致性。
"""

from __future__ import annotations

import hashlib
import json
import threading
from dataclasses import dataclass, field
from typing import Any

from cachetools import TTLCache

from app.core.logging import get_logger

logger = get_logger(__name__)


@dataclass
class CacheStats:
    """缓存命中统计。"""

    hits: int = 0
    misses: int = 0
    evictions: int = 0

    @property
    def hit_rate(self) -> float:
        total = self.hits + self.misses
        return self.hits / total if total > 0 else 0.0

    def to_dict(self) -> dict[str, Any]:
        return {
            "hits": self.hits,
            "misses": self.misses,
            "evictions": self.evictions,
            "hit_rate": round(self.hit_rate, 4),
        }


class GraphRAGCache:
    """GraphRAG 检索结果缓存。

    线程安全：内部使用 threading.Lock 保护 TTLCache。
    """

    def __init__(
        self,
        *,
        kg_maxsize: int = 256,
        kg_ttl: int = 300,
        embedding_maxsize: int = 512,
        embedding_ttl: int = 600,
    ) -> None:
        self._kg_cache: TTLCache = TTLCache(maxsize=kg_maxsize, ttl=kg_ttl)
        self._embedding_cache: TTLCache = TTLCache(maxsize=embedding_maxsize, ttl=embedding_ttl)
        self._kg_lock = threading.Lock()
        self._embedding_lock = threading.Lock()
        self._kg_stats = CacheStats()
        self._embedding_stats = CacheStats()

    @classmethod
    def from_settings(cls) -> GraphRAGCache:
        from app.core.config import settings

        if not settings.graphrag_cache_enabled:
            # 返回一个 maxsize=0 的缓存，所有 get 都会 miss，set 都是 no-op
            return cls(kg_maxsize=0, kg_ttl=1, embedding_maxsize=0, embedding_ttl=1)

        return cls(
            kg_maxsize=settings.graphrag_cache_kg_maxsize,
            kg_ttl=settings.graphrag_cache_kg_ttl,
            embedding_maxsize=settings.graphrag_cache_embedding_maxsize,
            embedding_ttl=settings.graphrag_cache_embedding_ttl,
        )

    # ------------------------------------------------------------------
    # KG 缓存（全文搜索 + 子图导出）
    # ------------------------------------------------------------------

    def get_kg(self, key: str) -> Any | None:
        """查找 KG 缓存。返回 None 表示 miss。"""
        with self._kg_lock:
            val = self._kg_cache.get(key)
        if val is not None:
            self._kg_stats.hits += 1
            return val
        self._kg_stats.misses += 1
        return None

    def set_kg(self, key: str, value: Any) -> None:
        """写入 KG 缓存。"""
        if self._kg_cache.maxsize <= 0:
            return
        with self._kg_lock:
            self._kg_cache[key] = value

    # ------------------------------------------------------------------
    # Embedding 缓存
    # ------------------------------------------------------------------

    def get_embedding(self, key: str) -> list[float] | None:
        """查找 embedding 缓存。返回 None 表示 miss。"""
        with self._embedding_lock:
            val = self._embedding_cache.get(key)
        if val is not None:
            self._embedding_stats.hits += 1
            return val
        self._embedding_stats.misses += 1
        return None

    def set_embedding(self, key: str, value: list[float]) -> None:
        """写入 embedding 缓存。"""
        if self._embedding_cache.maxsize <= 0:
            return
        with self._embedding_lock:
            self._embedding_cache[key] = value

    # ------------------------------------------------------------------
    # 统计 & 管理
    # ------------------------------------------------------------------

    def stats(self) -> dict[str, Any]:
        """返回所有缓存区域的统计信息。"""
        with self._kg_lock:
            kg_size = len(self._kg_cache)
        with self._embedding_lock:
            emb_size = len(self._embedding_cache)
        return {
            "kg": {
                **self._kg_stats.to_dict(),
                "size": kg_size,
                "maxsize": self._kg_cache.maxsize,
            },
            "embedding": {
                **self._embedding_stats.to_dict(),
                "size": emb_size,
                "maxsize": self._embedding_cache.maxsize,
            },
        }

    def clear(self) -> None:
        """清空所有缓存。"""
        with self._kg_lock:
            self._kg_cache.clear()
        with self._embedding_lock:
            self._embedding_cache.clear()
        logger.info("GraphRAG cache cleared")


def make_cache_key(*args: Any) -> str:
    """从任意参数生成稳定的缓存 key。

    对参数进行 JSON 序列化后取 SHA-256 摘要，
    确保 key 长度固定且不含特殊字符。
    """
    raw = json.dumps(args, sort_keys=True, ensure_ascii=False, default=str)
    return hashlib.sha256(raw.encode()).hexdigest()


# 全局单例（延迟初始化）
_cache: GraphRAGCache | None = None


def get_cache() -> GraphRAGCache:
    """获取全局缓存单例。"""
    global _cache
    if _cache is None:
        _cache = GraphRAGCache.from_settings()
    return _cache