main.py

import datetime
import threading
from contextlib import asynccontextmanager

import uvicorn
from apscheduler.schedulers.background import BackgroundScheduler
from fastapi import FastAPI, BackgroundTasks

from Ai_Tags import aiTags_isNull, aiTags_change, extract_tags_in_batch, update_ai_tags_to_db
from RapidOCR import rapid_ocr, filter_data

# 全局互斥锁：防止定时巡检与手动触发同时打标同一批商品
_tagging_lock = threading.Lock()

# 模块级持有调度器，避免被 GC 回收，同时防重复启动
_scheduler = BackgroundScheduler()


def _process_image_map(image_map: dict) -> list:
    """
    公共打标流水线：OCR 识别 -> 规则过滤 -> LLM 批量打标 -> 写库。
    定时巡检和单商品手动触发共用，保证两处逻辑一致。
    """
    imageocr_list = []
    for item_pid, urls in image_map.items():
        combined_texts = []
        for url in urls:
            orc = rapid_ocr(url)
            data = filter_data(orc)
            if data:
                combined_texts.append(data)

        final_product_text = "\n".join(combined_texts)
        if not final_product_text:
            # OCR 失败或无有效文本的商品直接跳过，不浪费大模型调用
            print(f"⚠️ 商品 {item_pid} 没有识别到有效文本，跳过。")
            continue

        imageocr_list.append({
            "id": item_pid,
            "ocr_info": final_product_text
        })

    if not imageocr_list:
        print("⚠️ 没有可用的 OCR 文本，跳过本轮打标。")
        return []

    ai_tags_list = extract_tags_in_batch(imageocr_list)
    update_ai_tags_to_db(ai_tags_list)
    return ai_tags_list


def process_tags_task(pid: int):
    """
    后台执行的具体打标任务（耗时操作）
    """
    with _tagging_lock:
        try:
            image_map = aiTags_change(pid)

            if not image_map:
                print(f"✅ 商品 {pid} 当前没有需要打标的图片。")
                return

            print("👀 Map数据抽样预览:", image_map)
            ai_tags_list = _process_image_map(image_map)
            print("👀 Ai数据返回结果预览:", ai_tags_list)
            print(f"✨ 商品 {pid} 本轮打标任务圆满完成！")

        except Exception as e:
            print(f"❌ 商品 {pid} 任务执行过程中发生异常: {e}")


def run_tagging_job():
    """
    具体的打标任务逻辑，被抽取成一个独立的方法，方便定时器调用
    """
    print(f"\n[{datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')}] 🚀 开始执行定时 AI 打标任务...")

    with _tagging_lock:
        try:
            # 获取空标签的商品图片数据（每轮限量，防止一次把上下文打爆）
            image_map = aiTags_isNull()

            if not image_map:
                print("✅ 当前没有需要打标的空标签商品，休息一下。")
                return

            print("👀 Map数据抽样预览:", image_map)
            ai_tags_list = _process_image_map(image_map)
            print("👀 Ai数据返回结果预览:", ai_tags_list)
            print("✨ 本轮打标任务圆满完成！")

        except Exception as e:
            print(f"❌ 本轮任务执行过程中发生异常: {e}")


def start_scheduler():
    """启动 2 小时一次的全局巡检定时任务"""
    if _scheduler.running:
        return

    _scheduler.add_job(run_tagging_job, 'interval', hours=2)
    _scheduler.start()
    print("⏰ 定时任务已随 Web 服务成功启动！每 2 小时自动执行一次全局巡检...")

    # 启动时先异步跑一次，避免阻塞服务启动（首次全量打标可能耗时数分钟）
    threading.Thread(target=run_tagging_job, daemon=True).start()


@asynccontextmanager
async def lifespan(app: FastAPI):
    start_scheduler()
    yield


app = FastAPI(title="HxMall AI 打标微服务", lifespan=lifespan)


@app.post("/api/ai/update_AiTags")
async def trigger_tag_update(pid: int, background_tasks: BackgroundTasks):
    """
    触发单个商品 AI 标签更新的接口
    """
    # 1. 参数校验等前置操作（可选）
    if pid <= 0:
        return {"code": 400, "message": "非法的商品 ID"}

    # 2. ⚡️ 将耗时的任务丢入后台线程池！
    # 就像你往 MQ (RabbitMQ/Kafka) 里发了一条消息一样
    background_tasks.add_task(process_tags_task, pid)

    # 3. 毫秒级立刻响应调用方
    return {
        "code": 200,
        "message": f"商品 {pid} 的图片变更已收到，AI 正在后台静默刷新标签..."
    }


if __name__ == '__main__':
    # 🚀 真正启动 Web 服务器的地方！
    print("🚀 正在启动 HxMall AI 标签微服务...")
    # 端口 8100：与 AI 客服服务(8000)错开，避免同机部署端口冲突
    uvicorn.run(app, host="0.0.0.0", port=8100)