"""真实任务 OCR 数据重组装集成测试。

run_339ec7ee437f 是 2026-08 真实跑过的 ocr-subtitle 任务（14236 帧 / 2 小时
视频）。该任务产出时期存在 frame-extract 帧文件排序 bug：ffmpeg 的 %04d 编号
超过 9999 帧后扩为 5 位，sorted() 字典序把 5 位编号排在 4 位之前，导致
frames.json 中 time 与图像错位（13236/14236 条位置↔帧号错位），最终 SRT
后半段时间轴全部错乱。

本测试读取该任务**已落盘的逐帧 OCR 文本**（ocr_frames/<位置>/ocr.txt，由
vlm-ocr 节点写入的清洗后文本），用 image_uri 解析真实帧号重建正确时间轴，
复用生产合并/组装逻辑生成 SRT，并断言"每条字幕的起始时刻 = 其文本来源帧的
真实时间"这一核心正确性。

数据位于 gitignored 的 data/storage，缺失时跳过（与
test_integration_subtitle_ocr 的真实资产约定一致）。
"""

import json
import re
from pathlib import Path

import pytest

from nodes.subtitle_ocr import _assemble_srt
from nodes.subtitle_ocr import _merge_kept
from nodes.subtitle_ocr import _sampling_interval

# 单体根目录：tests/ 的上一级。
WORKSPACE = Path(__file__).resolve().parent.parent
RUN_DIR = WORKSPACE / "data/storage/runs/run_339ec7ee437f"
MANIFEST = RUN_DIR / "steps/extract/frames.json"
OCR_DIR = RUN_DIR / "steps/ocr/ocr_frames"

# 源视频时长（ffprobe: 02:00:24.80）。
VIDEO_DURATION = 7224.8
# 该视频烧录过的字幕行，被 test_real_hav_sub.png 集成测试确认过识别结果。
KNOWN_LINE = "还有没有什么困扰"


def _frame_number(uri: str) -> int:
    """从 image_uri 文件名解析真实帧号（frame_0001.png -> 1）。"""
    return int(re.match(r".*frame_(\d+)\.png", Path(uri).name).group(1))


@pytest.mark.integration
def test_reassemble_real_run_ocr_data(tmp_path) -> None:
    """真实任务逐帧 OCR 数据按真实帧时间轴重组装为正确 SRT。"""
    if not (MANIFEST.is_file() and OCR_DIR.is_dir()):
        pytest.skip("缺少真实任务 run_339ec7ee437f 数据，跳过集成测试")

    manifest = json.loads(MANIFEST.read_text(encoding="utf-8"))
    total = len(manifest)
    # 等间隔采样：step/fps 从旧 manifest 相邻 time 差恢复（本任务 0.507s/帧）。
    dt = manifest[1]["time"] - manifest[0]["time"]
    assert dt > 0

    # ① 读取逐帧 OCR 文本：位置 i -> ocr_frames/{i:04d}/ocr.txt（真实数据）。
    texts_by_pos: list[str] = []
    for i in range(total):
        p = OCR_DIR / f"{i:04d}" / "ocr.txt"
        if not p.is_file():
            pytest.fail(f"缺少逐帧 OCR 数据: {p}")
        texts_by_pos.append(p.read_text(encoding="utf-8").strip())

    # ② 旧 manifest 位置 -> 真实帧号：image_uri 才是实际被 OCR 的图像，
    # 旧 time 字段按位置推导已错位，不可用。
    frame_by_pos = [_frame_number(item["image_uri"]) for item in manifest]
    assert sorted(frame_by_pos) == list(range(1, total + 1))  # 一一对应，无缺无重

    # ③ 按真实帧号重建正确时间轴：第 k 帧（1-based）时间 = (k-1)*dt。
    ocr_by_frame = {n: texts_by_pos[i] for i, n in enumerate(frame_by_pos)}
    manifest_corrected = [{"time": round((k - 1) * dt, 3)} for k in range(1, total + 1)]
    texts_corrected = [ocr_by_frame[k] for k in range(1, total + 1)]

    # ④ 复用生产合并 + 组装逻辑（与 subtitle_ocr.invoke 完全同一路径）。
    kept = _merge_kept(manifest_corrected, texts_corrected)
    interval = _sampling_interval(manifest_corrected, dt)
    srt = "\n".join(_assemble_srt(kept, interval)) + "\n"
    out = tmp_path / "subtitle.srt"
    out.write_text(srt, encoding="utf-8")

    # ⑤ 核心正确性：每条字幕起始时刻对应的帧，其 OCR 文本必须就是本条字幕
    # 文本（修复前旧 SRT 此处大面积不一致：文本来自其他时刻的帧）。
    for start, _end, text in kept:
        frame_no = int(round(start / dt)) + 1
        assert ocr_by_frame[frame_no] == text, f"帧 {frame_no} 时间错位: {text!r}"

    # ⑥ 时间轴严格递增且不超出片长（含尾部一个采样间隔的消失余量）。
    assert all(
        s1 < s2 for (s1, _1, _), (s2, _2, _) in zip(kept, kept[1:])
    )
    assert kept[0][0] >= 0.0
    assert kept[-1][1] + interval <= VIDEO_DURATION + interval + 1e-6

    # ⑦ 已知烧录字幕行必须出现，且字幕条数合理（空帧被跳过、连续相同字幕合并）。
    assert KNOWN_LINE in srt
    assert len(kept) > 100