"""Менеджер векторного индекса на Qdrant — альтернатива FAISSManager.

Тот же classmethod-интерфейс (search / add_vectors / save / total_vectors), но
вместо файлового синглтона в RAM одного воркера — сетевой сервис Qdrant. Это:
- снимает единую точку отказа (индекс живёт отдельно от воркера);
- допускает конкурентную запись из нескольких воркеров (upsert по doc_id);
- масштабируется горизонтально и переживает рестарт воркера без перезагрузки.

Дистанция — Cosine; эмбеддинги нормированы, id точки = doc_id из PostgreSQL,
поэтому поиск сразу возвращает doc_id. Включается через VECTOR_BACKEND=qdrant.
"""

import logging

import numpy as np

from app.config import settings

logger = logging.getLogger(__name__)


class QdrantManager:
    """Синглтон-обёртка над коллекцией Qdrant (интерфейс как у FAISSManager)."""

    COLLECTION = settings.QDRANT_COLLECTION

    _client = None
    _ready = False

    @classmethod
    def _get_client(cls):
        """Ленивое подключение к Qdrant (или заранее внедрённый клиент в тестах)."""
        if cls._client is None:
            from qdrant_client import QdrantClient

            cls._client = QdrantClient(url=settings.QDRANT_URL, timeout=30)
        return cls._client

    @classmethod
    def _ensure(cls):
        """Гарантировать существование коллекции нужной размерности/дистанции."""
        client = cls._get_client()
        if cls._ready:
            return client

        from qdrant_client.models import Distance, VectorParams

        if not client.collection_exists(cls.COLLECTION):
            client.create_collection(
                collection_name=cls.COLLECTION,
                vectors_config=VectorParams(
                    size=settings.EMBED_DIM, distance=Distance.COSINE
                ),
            )
            logger.info(f"Создана коллекция Qdrant {cls.COLLECTION!r} (dim={settings.EMBED_DIM})")
        cls._ready = True
        return client

    @classmethod
    def search(cls, query_vector: np.ndarray, k: int = 20) -> list[tuple[int, float]]:
        """Поиск k ближайших векторов. Возвращает [(doc_id, cosine_score), ...]."""
        client = cls._ensure()
        vec = np.asarray(query_vector, dtype=np.float32).reshape(-1).tolist()
        try:
            res = client.query_points(collection_name=cls.COLLECTION, query=vec, limit=k)
            return [(int(p.id), float(p.score)) for p in res.points]
        except Exception as e:
            logger.error(f"Ошибка поиска Qdrant: {e}")
            return []

    @classmethod
    def add_vectors(cls, vectors: np.ndarray, doc_ids: list[int]) -> None:
        """Upsert векторов по doc_id (идемпотентно: повторная запись перезаписывает)."""
        if len(doc_ids) == 0:
            return
        client = cls._ensure()

        from qdrant_client.models import PointStruct

        vectors = np.asarray(vectors, dtype=np.float32)
        points = [
            PointStruct(id=int(doc_id), vector=vectors[i].tolist())
            for i, doc_id in enumerate(doc_ids)
        ]
        client.upsert(collection_name=cls.COLLECTION, points=points)
        logger.info(f"Upsert {len(points)} векторов в Qdrant. Всего: {cls.total_vectors()}")

    @classmethod
    def save(cls) -> None:
        """No-op: Qdrant персистит данные на своей стороне."""

    @classmethod
    def total_vectors(cls) -> int:
        """Количество точек в коллекции."""
        try:
            return cls._ensure().count(collection_name=cls.COLLECTION).count
        except Exception:
            return 0

    @classmethod
    def _reset(cls) -> None:
        """Сбросить клиент и флаг готовности (для тестов)."""
        cls._client = None
        cls._ready = False