import re
from dataclasses import dataclass

from razdel import sentenize

from app.normalize import normalize_common, normalize_language
from app.ssml import DEFAULT_PAUSE_MS, explicit_pause_char
from app.translit import transliterate_latin

_CYRILIC_RE = re.compile(r'[\u0400-\u04FF]')
_PARAGRAPH_RE = re.compile(r"\n[ \t]*\n")
# Явная отметка паузы во входном тексте: `|||` (пауза по умолчанию) или
# `|||1500` (миллисекунды). Извлекается ДО нормализации, длительность
# ограничивается здесь, чтобы цифры не попадали в rutextnorm.
_EXPLICIT_PAUSE_RE = re.compile(r"\|\|\|(?:(\d+))?")


@dataclass
class Segment:
    text: str
    lang: str
    para: int = 0


def split_sentences(text: str) -> list[str]:
    return [s.text for s in sentenize(text)]


def split_paragraphs(text: str) -> list[str]:
    return [p for p in (block.strip() for block in _PARAGRAPH_RE.split(text)) if p]


def extract_explicit_pauses(text: str) -> str:
    def repl(m: re.Match) -> str:
        ms = int(m.group(1)) if m.group(1) else DEFAULT_PAUSE_MS
        return explicit_pause_char(ms)
    return _EXPLICIT_PAUSE_RE.sub(repl, text)


def has_cyrillic(text: str) -> bool:
    return bool(_CYRILIC_RE.search(text))


def detect_language(text: str) -> str:
    return "ru" if has_cyrillic(text) else "en"


def prepare_segments(text: str) -> list[Segment]:
    lang = detect_language(text)
    text = extract_explicit_pauses(text)
    text = normalize_common(text)
    all_segments: list[Segment] = []
    for para_idx, para in enumerate(split_paragraphs(text)):
        for sent in split_sentences(para):
            if lang == "ru":
                sent = transliterate_latin(sent)
            seg_text = normalize_language(sent, lang)
            if seg_text.strip():
                all_segments.append(Segment(text=seg_text, lang=lang, para=para_idx))
    return all_segments