"""최저가 코어 파이프라인.

검색 결과(NormalizedProduct[]) → 필터 → 이상치 제거 → 정렬 → top-N 최저가.
각 STAGE 의 in/out 건수를 기록해 관측성을 확보한다(레퍼런스 pipeline_log 패턴 계승).

AI 유사도 판정(같은 상품인지)은 키 준비 시 이 사이(이상치 제거 뒤, top-N 앞)에 끼운다 —
지금은 슬롯만 비워두고 규칙 매칭을 하지 않는다(고정 파서 취약성 회피).
"""

from services.search.contract import NormalizedProduct
from services.pipeline.filters import keep_only_mall, filter_out_malls, filter_by_price_band
from services.pipeline.outliers import remove_price_outliers


def apply_filters(
    products: list[NormalizedProduct],
    *,
    base_price: int | None = None,
    keep_mall: str | None = None,
    banned_malls=(),
    band_tolerance: float = 0.7,
    remove_outliers: bool = True,
) -> tuple[list[NormalizedProduct], list[dict]]:
    """mall → 가격밴드 → 이상치(IQR) 순으로 후보를 좁힌다. (후보, STAGE로그) 반환.
    AI 유사도 판정은 이 뒤(top-N 앞)에 결합한다."""
    stages: list[dict] = []
    cur = list(products)

    def stage(name: str, before: list, after: list):
        stages.append({"stage": name, "in": len(before), "out": len(after)})

    if keep_mall:
        before = cur
        cur = keep_only_mall(cur, keep_mall)
        stage("keep_mall", before, cur)
    elif banned_malls:
        before = cur
        cur = filter_out_malls(cur, banned_malls)
        stage("filter_out_malls", before, cur)

    if base_price:
        before = cur
        cur = filter_by_price_band(cur, base_price, band_tolerance)
        stage("price_band", before, cur)

    if remove_outliers:
        before = cur
        cur, _ = remove_price_outliers(cur)
        stage("outlier", before, cur)

    return cur, stages


def summarize_by_mall(products: list[NormalizedProduct]) -> list[dict]:
    """같은상품 매칭 후보를 (소스, 판매몰)별 최저가로 분해한다.
    네이버 결과엔 G마켓·옥션·11번가 등이 mall_name 으로 이미 들어오므로,
    추가 요청 없이 '오픈마켓 몰별 최저가'를 노출할 수 있다(가격 오름차순).
    네이버 가격비교(mall_name='네이버')는 여러 판매자 중 최저가 롤업이다."""
    best: dict[tuple[str, str], NormalizedProduct] = {}
    for p in products:
        key = (p.source, (p.mall_name or "기타"))
        cur = best.get(key)
        if cur is None or p.price < cur.price:
            best[key] = p
    rows = sorted(best.values(), key=lambda p: p.price)
    return [{
        "source": p.source, "mall_name": p.mall_name, "price": p.price,
        "shipping_fee": p.shipping_fee, "shipping_type": p.shipping_type,
        "name": p.name, "detail_url": p.detail_url,
    } for p in rows]


def rank_result(products: list[NormalizedProduct], total_found: int, stages: list[dict], top_n: int = 5) -> dict:
    """최저가순 정렬 + top-N + 결과 봉투 조립(top_n STAGE 포함)."""
    ranked = sorted(products, key=lambda p: p.price)
    top = ranked[:top_n]
    stages = stages + [{"stage": "top_n", "in": len(ranked), "out": len(top)}]
    return {
        "total_found": total_found,
        "kept": len(ranked),
        "lowest": top[0].model_dump() if top else None,
        "top": [p.model_dump() for p in top],
        "by_mall": summarize_by_mall(ranked),
        "stages": stages,
    }


def run_price_pipeline(
    products: list[NormalizedProduct],
    *,
    base_price: int | None = None,
    keep_mall: str | None = None,
    banned_malls=(),
    band_tolerance: float = 0.7,
    remove_outliers: bool = True,
    top_n: int = 5,
) -> dict:
    """AI 없는 동기 파이프라인(테스트/기본 경로). apply_filters + rank_result 조합."""
    cur, stages = apply_filters(
        products, base_price=base_price, keep_mall=keep_mall,
        banned_malls=banned_malls, band_tolerance=band_tolerance, remove_outliers=remove_outliers,
    )
    return rank_result(cur, len(products), stages, top_n)