"""翻译模型横向评测的数据契约与对照逻辑测试（真实数据，不 mock 模型）。

背景
----
为评估"更便宜的 LLM 能否替代当前 Qwen/Qwen3.6-35B-A3B 做 llm-translate"，
新增了三件评测工具（scripts/ 下，都是真实数据驱动）：

- `scripts/build_translate_eval.py`：把 run_479b411f299d（ocr-subtitle）的
  烧录字幕中文产物与 run_d386ccf124f7（learn-translate）的日语 whisper ASR
  按时间配对，产出候选池；
- `scripts/build_segment_eval.py`：把配对改成**窗口级**（一条中文基准字幕 +
  其时间窗内覆盖的 1-3 条日语 cue），产出可用窗口；
- `scripts/bench_translate_models.py`：调用**生产翻译实现**（nodes/llm.py）
  对每个模型跑完整片，并在窗口级打印各模型译文对照供人工 review。

本测试验证上述工具的**数据契约与对照逻辑**：评测集必须真实可用（时间轴自洽、
基准非空、可定位到真实 ASR 条目），对照输出必须包含全部模型各自的行。真实
产物缺失时整组跳过（与 tests/realdata_contract.py 同一约定）。
"""

from __future__ import annotations

import importlib.util
import json
import subprocess
import sys
from pathlib import Path

import pytest

# 仓库根（tests/ 的上一级）。
WORKSPACE = Path(__file__).resolve().parent.parent
EVAL_SET = WORKSPACE / "testdata/translate_eval/eval_set.jsonl"
WINDOWS = WORKSPACE / "testdata/translate_eval/windows.jsonl"
JA_SRT = WORKSPACE / "data/storage/runs/run_d386ccf124f7/steps/asr/transcript.srt"
BENCH = WORKSPACE / "scripts/bench_translate_models.py"
# 评测中间产物目录（gitignored），各模型跑完后才存在。
EXPERIMENT_ROOT = WORKSPACE / "data/experiments/translate_models"


def _load(name: str, path: Path):
    """按文件路径加载 scripts 下的模块（scripts 不是包，无法 import）。"""
    spec = importlib.util.spec_from_file_location(name, path)
    module = importlib.util.module_from_spec(spec)
    assert spec is not None and spec.loader is not None
    spec.loader.exec_module(module)
    return module


def _seconds(ts: str) -> float:
    """SRT 时间戳 -> 秒。"""
    hours, minutes, rest = ts.split(":")
    secs, millis = rest.split(",")
    return int(hours) * 3600 + int(minutes) * 60 + int(secs) + int(millis) / 1000


def test_eval_set_is_real_and_self_consistent() -> None:
    """评测集必须来自真实产物：条数充足、基准非空、时间轴可定位真实日语 cue。

    这是"人工 review 的样本必须真实可核对"的硬约束——如果窗口的时间区间里
    找不到对应日语 cue，说明窗口是用假数据拼的，或时间轴与 ASR 不同源。
    """
    if not EVAL_SET.is_file() or not JA_SRT.is_file():
        pytest.skip("评测集或日语 ASR 产物缺失（先跑 build_segment_eval.py）")

    from nodes.srt import parse_srt

    windows = [json.loads(line) for line in EVAL_SET.read_text(encoding="utf-8").splitlines()]
    assert len(windows) >= 100, "评测集窗口过少，不足以支撑人工质量结论"

    ja_cues = parse_srt(JA_SRT.read_text(encoding="utf-8"))
    for window in windows:
        assert window["ja_lines"], f"窗口 {window.get('id')} 没有日语原文"
        assert window["zh_ref"].strip(), f"窗口 {window.get('id')} 基准中文为空"
        # 基准中文必须位于窗口时间区间内（真实配对），且窗口跨度合理。
        assert _seconds(window["zh_start"]) < _seconds(window["zh_end"])
        assert _seconds(window["zh_end"]) - _seconds(window["zh_start"]) <= 15.0
        # 每条日语 cue 都能在真实 ASR 里按时间戳找到（同源校验）。
        for line in window["ja_lines"]:
            assert any(cue.text == line for cue in ja_cues), f"日语行不在真实 ASR 中: {line!r}"


def test_window_builder_matches_production_parser() -> None:
    """窗口构建器与生产 SRT 解析器结果一致（不另写一套 SRT 规则）。

    用 window.jsonl 的候选池与当场重算的窗口对比：同一输入必须得到同一数量与
    同一序列，避免"导出一次、之后代码改动悄悄漂移"。
    """
    if not WINDOWS.is_file() or not JA_SRT.is_file():
        pytest.skip("候选池缺失（先跑 build_segment_eval.py --export）")

    module = _load("build_segment_eval", WORKSPACE / "scripts/build_segment_eval.py")
    zh_srt = WORKSPACE / "data/storage/runs/run_479b411f299d/steps/filter/filtered.srt"
    if not zh_srt.is_file():
        pytest.skip("中文基准产物缺失（ocr-subtitle 任务未产出 filtered.srt）")

    rebuilt = module.build_windows(JA_SRT, zh_srt)
    exported = [json.loads(line) for line in WINDOWS.read_text(encoding="utf-8").splitlines()]
    assert len(rebuilt) == len(exported)
    assert [(w["zh_start"], tuple(w["ja_lines"])) for w in rebuilt] == [
        (w["zh_start"], tuple(w["ja_lines"])) for w in exported
    ]


def test_bench_compare_prints_every_model_for_shared_window() -> None:
    """对照表必须为每个模型打印同一窗口的译文（人工 review 的数据来源）。

    用两个真实已跑完的模型产物（基线 + 本地 30B）生成对照表，断言：任意窗口
    区块里两个模型都出现且行数一致——否则 review 会因缺行而漏判。
    """
    baseline = EXPERIMENT_ROOT / "_baseline/steps/cn.srt"
    other = EXPERIMENT_ROOT / "local-qwen3-30b-a3b/steps/cn.srt"
    if not EVAL_SET.is_file() or not baseline.is_file() or not other.is_file():
        pytest.skip("评测集或某个模型产物缺失（先跑 bench_translate_models.py run）")

    result = subprocess.run(
        [sys.executable, str(BENCH), "compare", "--tags", "_baseline", "local-qwen3-30b-a3b",
         "--limit", "5"],
        cwd=WORKSPACE, capture_output=True, text=True, check=True,
    )
    output = result.stdout
    assert "基准中文(OCR)" in output
    blocks = [b for b in output.split("\n### ") if b.strip()]
    assert blocks, "对照表没有任何窗口区块"
    for block in blocks:
        assert "- _baseline:" in block
        assert "- local-qwen3-30b-a3b:" in block
        # 两个模型的行数（以 ｜ 分隔的译文数）必须一致。
        base_line = next(l for l in block.splitlines() if l.startswith("- _baseline:"))
        other_line = next(l for l in block.splitlines() if l.startswith("- local-qwen3-30b-a3b:"))
        assert base_line.count("｜") == other_line.count("｜")