import re, json, sys

root = "/Users/polux/tmp/Pet16704-pt2-md"

# 1. Parse gitgraph.md to get id -> branch (lane), preserving sequence order.
branch_of = {}
order_of = {}
current_branch = "STF · Relatoria"
idx = 0
with open(f"{root}/gitgraph.md", encoding="utf-8") as f:
    for line in f:
        line = line.strip()
        m = re.match(r'checkout "([^"]*)"', line)
        if m:
            current_branch = m.group(1)
            continue
        m = re.match(r'commit id: "([^"]*)"', line)
        if m:
            cid = m.group(1)
            branch_of[cid] = current_branch
            order_of[cid] = idx
            idx += 1

print(f"gitgraph commits: {len(branch_of)}", file=sys.stderr)

# 2. Parse TIMELINE.md: sections "## <Case>" then lines "- **NNNNN** (YYYY-MM-DD) — text — [`file`](<path>)"
records = []
current_case = None
line_re = re.compile(
    r'^- \*\*(\d+)\*\*(?: \((\d{4}-\d{2}-\d{2})\))? — (.*?) — \[`[^`]*`\]\(<([^>]*)>\)\s*$'
)
with open(f"{root}/TIMELINE.md", encoding="utf-8") as f:
    for line in f:
        line = line.rstrip("\n")
        m = re.match(r'^## (.+)$', line)
        if m:
            current_case = m.group(1).strip()
            continue
        m = line_re.match(line)
        if m:
            num, date, text, path = m.groups()
            cid = f"{current_case}-{num}"
            records.append({
                "id": cid,
                "date": date,
                "text": text,
                "file": path,
            })

# disambiguate duplicate ids (multiple documents filed under the same number)
# to match gitgraph.md's "-a"/"-b"/"-c" suffix convention
from collections import Counter
id_counts = Counter(r["id"] for r in records)
seen = Counter()
suffixes = "abcdefgh"
for r in records:
    base = r["id"]
    if id_counts[base] > 1:
        r["id"] = f"{base}-{suffixes[seen[base]]}"
        seen[base] += 1

print(f"timeline records: {len(records)}", file=sys.stderr)

# 3a. Extract & normalize document type from the source filename.
TYPE_MAP = {
    "Peticao": "Petição",
    "Peticao inicial": "Petição inicial",
    "Recibo de peticao eletronica": "Recibo de petição eletrônica",
    "Documentos comprobatorios": "Documento comprobatório",
    "Documento comprobatorio": "Documento comprobatório",
    "Comunicacao assinada": "Comunicação assinada",
    "Procuracao": "Procuração",
    "Despacho": "Despacho",
    "Certidao": "Certidão",
    "Vista a PGR": "Vista à PGR",
    "Intimacao": "Intimação",
    "Decisao monocratica": "Decisão monocrática",
    "Mandado de intimacao": "Mandado de intimação",
    "Termo de disponibilizacao de autos": "Termo de disponibilização de autos",
    "Documentos de identificacao": "Documentos de identificação",
    "Aviso de recebimento": "Aviso de recebimento",
    "Outras pecas": "Outras peças",
    "Manifestacao": "Manifestação",
    "Certidao de transito em julgado": "Certidão de trânsito em julgado",
    "Certidao de julgamento": "Certidão de julgamento",
    "Oficio": "Ofício",
    "Documento Sigiloso": "Documento sigiloso",
    "Manifestacao da PGR": "Manifestação da PGR",
    "Pedido de ingresso como interessado": "Pedido de ingresso como interessado",
    "Volume": "Volume",
    "Inteiro teor do acordao": "Inteiro teor do acórdão",
    "Inteiro teor do acordao (completo)": "Inteiro teor do acórdão",
    "Mandado de prisao": "Mandado de prisão",
    "Pedido de reconsideracao": "Pedido de reconsideração",
    "Informacao": "Informação",
    "Peticao de Interposicao de Agravo Regimental": "Petição de interposição de agravo regimental",
    "Peticao de renuncia ao mandato": "Petição de renúncia ao mandato",
}

def extract_type(file_path):
    base = re.sub(r'\.md$', '', file_path.split('/')[-1])
    m = re.match(r'^\d+\s+(.*)$', base)
    if not m:
        return "Outro"
    rest = re.sub(r'_[0-9a-fA-F]{6,}$', '', m.group(1))
    if ' - ' in rest:
        rest = rest.split(' - ')[0]
    rest = rest.strip()
    return TYPE_MAP.get(rest, rest)

# 3b. Merge
merged = []
missing_branch = 0
for r in records:
    branch = branch_of.get(r["id"])
    if branch is None:
        missing_branch += 1
        branch = "STF · Relatoria"
    merged.append({
        "id": r["id"],
        "branch": branch,
        "date": r["date"],
        "text": r["text"],
        "file": r["file"],
        "type": extract_type(r["file"]),
        "order": order_of.get(r["id"], -1),
    })

print(f"missing branch matches: {missing_branch}", file=sys.stderr)

# also report ids in gitgraph not in timeline (should just be "raiz")
timeline_ids = {r["id"] for r in records}
only_in_gitgraph = [cid for cid in branch_of if cid not in timeline_ids]
print(f"only in gitgraph (not in timeline): {only_in_gitgraph[:10]} (total {len(only_in_gitgraph)})", file=sys.stderr)

merged.sort(key=lambda r: r["order"])

with open("/private/tmp/claude-501/-Users-polux-tmp-Pet16704-pt2-md/a294e67f-4337-4617-9903-54ea4711fb63/scratchpad/docs.json", "w", encoding="utf-8") as f:
    json.dump(merged, f, ensure_ascii=False)

branches = sorted(set(branch_of.values()))
print("branches:", branches, file=sys.stderr)
dated = sum(1 for r in merged if r["date"])
print(f"dated: {dated}, undated: {len(merged)-dated}", file=sys.stderr)