"""
API v3 - Exécution DAG de Workflows avec étapes LLM

Convertit un workflow VWB (nœuds + edges) en DAGExecutor steps
et lance l'exécution parallèle (UI séquentiel, LLM parallèle).

POST /api/v3/workflow/<id>/execute-dag  → Lance l'exécution DAG
GET  /api/v3/workflow/<id>/dag-status   → Statut de l'exécution en cours

Auteur : Dom, Claude — 16 mars 2026
"""

import json
import logging
import os
import re
import sys
import traceback
from pathlib import Path
from typing import Any, Dict, List, Optional, Tuple

from flask import jsonify, request

from . import api_v3_bp

logger = logging.getLogger(__name__)

# Ajouter le répertoire racine pour les imports core
_ROOT = str(Path(__file__).resolve().parent.parent.parent.parent)
if _ROOT not in sys.path:
    sys.path.insert(0, _ROOT)

from core.execution.dag_executor import (
    DAGExecutionResult,
    DAGExecutor,
    StepStatus,
    StepType,
    WorkflowStep,
)
from core.execution.llm_actions import LLMActionHandler

# Data loop — import Excel et itération sur tables
try:
    from core.data.excel_importer import ExcelImporter
    from core.data.db_iterator import DBIterator
    _DATA_LOOP_AVAILABLE = True
except ImportError as _e:
    logger.warning("Module core.data indisponible : %s", _e)
    _DATA_LOOP_AVAILABLE = False

# ---------------------------------------------------------------------------
# Types d'actions VWB → StepType du DAGExecutor
# ---------------------------------------------------------------------------

# Les action_types VWB qui correspondent à des appels LLM
_LLM_ACTION_TYPES = {
    "llm_analyze",
    "llm_translate",
    "llm_extract_data",
    "llm_generate",
}

# Mapping action_type VWB → llm_action du LLMActionHandler
_LLM_ACTION_MAP = {
    "llm_analyze": "analyze_text",
    "llm_translate": "translate",
    "llm_extract_data": "extract_data",
    "llm_generate": "generate_text",
}

# Actions VWB de type attente
_WAIT_ACTION_TYPES = {"wait_for_anchor"}

# Actions VWB de type condition
_CONDITION_ACTION_TYPES = {"visual_condition"}

# Actions VWB de type data loop
_DATA_LOOP_ACTION_TYPES = {"import_excel", "db_foreach"}

# Actions VWB de gestion de fichiers
_FILE_ACTION_TYPES = {
    "file_list_dir", "file_create_dir", "file_move",
    "file_copy", "file_sort_by_ext",
}


def _classify_step_type(action_type: str) -> StepType:
    """Détermine le StepType DAG à partir du action_type VWB."""
    if action_type in _LLM_ACTION_TYPES:
        return StepType.LLM_CALL
    if action_type in _WAIT_ACTION_TYPES:
        return StepType.WAIT
    if action_type in _CONDITION_ACTION_TYPES:
        return StepType.CONDITION
    # import_excel et db_foreach sont des UI_ACTION traitées spécialement
    return StepType.UI_ACTION


def _build_llm_action(action_type: str, parameters: Dict[str, Any]) -> Dict[str, Any]:
    """Construit le dict d'action LLM attendu par le LLMActionHandler.

    Ajoute la clé 'llm_action' et recopie les paramètres pertinents.
    """
    llm_action = _LLM_ACTION_MAP.get(action_type)
    if not llm_action:
        raise ValueError(f"Type d'action LLM inconnu : {action_type}")

    action = {"llm_action": llm_action}

    # Copier les paramètres pertinents sans modification
    for key in ("text", "instruction", "model", "temperature",
                "target_lang", "source_lang", "schema", "prompt", "context"):
        if key in parameters and parameters[key]:
            val = parameters[key]
            # Le schema peut être une chaîne JSON — le parser
            if key == "schema" and isinstance(val, str):
                try:
                    val = json.loads(val)
                except json.JSONDecodeError:
                    pass
            action[key] = val

    return action


# ---------------------------------------------------------------------------
# Conversion VWB workflow → DAG steps
# ---------------------------------------------------------------------------

def _convert_vwb_to_dag_steps(
    steps_data: List[Dict[str, Any]],
    edges_data: List[Dict[str, Any]],
) -> List[WorkflowStep]:
    """Convertit les nœuds et edges VWB en liste de WorkflowStep DAG.

    Les edges définissent les dépendances : si un edge va de A vers B,
    alors B dépend de A.

    Args:
        steps_data: Liste de dicts (step.to_dict() depuis le modèle SQLAlchemy)
        edges_data: Liste de dicts {"source": "step_id_A", "target": "step_id_B"}

    Returns:
        Liste de WorkflowStep prêtes à être chargées dans le DAGExecutor
    """
    # Construire le mapping des dépendances depuis les edges
    depends_map: Dict[str, List[str]] = {}
    for edge in edges_data:
        source = edge.get("source", "")
        target = edge.get("target", "")
        if source and target:
            depends_map.setdefault(target, []).append(source)

    dag_steps = []
    for step_data in steps_data:
        step_id = step_data["id"]
        action_type = step_data["action_type"]
        parameters = step_data.get("parameters", {})

        step_type = _classify_step_type(action_type)
        depends_on = depends_map.get(step_id, [])

        # Construire l'action selon le type
        if step_type == StepType.LLM_CALL:
            action = _build_llm_action(action_type, parameters)
        else:
            # Pour les actions UI, passer les paramètres tels quels
            action = {"type": action_type, **parameters}

        dag_step = WorkflowStep(
            step_id=step_id,
            step_type=step_type,
            action=action,
            depends_on=depends_on,
        )
        dag_steps.append(dag_step)

    return dag_steps


# ---------------------------------------------------------------------------
# Exécution des étapes Data Loop (import_excel, db_foreach)
# ---------------------------------------------------------------------------

_CURRENT_ROW_PATTERN = re.compile(r"\$\{current_row\.(\w+)\}")


def _execute_import_excel(parameters: Dict[str, Any]) -> Dict[str, Any]:
    """Exécute l'import d'un fichier Excel dans la base SQLite.

    Args:
        parameters: Doit contenir 'file_path', optionnellement 'table_name', 'sheet_name'

    Returns:
        Dict avec les infos d'import (table_name, row_count, columns)
    """
    if not _DATA_LOOP_AVAILABLE:
        raise RuntimeError(
            "Module core.data non disponible. "
            "Vérifiez que core/data/excel_importer.py existe."
        )

    file_path = parameters.get("file_path", "")
    if not file_path:
        raise ValueError("Paramètre 'file_path' requis pour import_excel")

    table_name = parameters.get("table_name") or None
    sheet_name = parameters.get("sheet_name") or None

    # Convertir sheet_name en int si c'est un index numérique
    if sheet_name and sheet_name.isdigit():
        sheet_name = int(sheet_name)

    importer = ExcelImporter()
    result = importer.import_file(
        file_path=file_path,
        table_name=table_name,
        sheet_name=sheet_name,
    )

    logger.info(
        "Import Excel terminé : %s → table '%s' (%d lignes, colonnes: %s)",
        file_path,
        result.table_name,
        result.row_count,
        result.columns,
    )

    return {
        "table_name": result.table_name,
        "row_count": result.row_count,
        "columns": result.columns,
        "db_path": str(result.db_path) if hasattr(result, "db_path") else None,
    }


def _inject_current_row(
    action: Dict[str, Any], row: Dict[str, Any]
) -> Dict[str, Any]:
    """Remplace les références ${current_row.column} dans les paramètres d'une action.

    Args:
        action: Dict des paramètres de l'étape
        row: Dict représentant la ligne courante (colonne → valeur)

    Returns:
        Copie de l'action avec les références remplacées
    """
    import copy
    resolved = copy.deepcopy(action)

    def _resolve(obj: Any) -> Any:
        if isinstance(obj, str):
            # Cas spécial : la chaîne entière est une seule référence
            m = _CURRENT_ROW_PATTERN.fullmatch(obj)
            if m:
                col = m.group(1)
                return row.get(col, obj)
            # Cas général : remplacement inline
            def _replacer(match: re.Match) -> str:
                col = match.group(1)
                val = row.get(col)
                return str(val) if val is not None else match.group(0)
            return _CURRENT_ROW_PATTERN.sub(_replacer, obj)
        elif isinstance(obj, dict):
            return {k: _resolve(v) for k, v in obj.items()}
        elif isinstance(obj, list):
            return [_resolve(item) for item in obj]
        return obj

    return _resolve(resolved)


def _execute_db_foreach(
    foreach_step_data: Dict[str, Any],
    all_steps_data: List[Dict[str, Any]],
    edges_data: List[Dict[str, Any]],
    executor_kwargs: Dict[str, Any],
) -> Dict[str, Any]:
    """Exécute une boucle db_foreach : lit les lignes puis ré-exécute les étapes dépendantes.

    Algorithme :
    1. Lire toutes les lignes de la table (avec filtres optionnels)
    2. Identifier les étapes qui dépendent du foreach (via les edges)
    3. Pour chaque ligne, injecter ${current_row.column} et exécuter ces étapes

    Args:
        foreach_step_data: Les données de l'étape db_foreach
        all_steps_data: Toutes les étapes du workflow
        edges_data: Les edges du workflow
        executor_kwargs: Paramètres pour le DAGExecutor (model, ollama_endpoint, timeout)

    Returns:
        Dict avec le résumé de l'exécution de la boucle
    """
    if not _DATA_LOOP_AVAILABLE:
        raise RuntimeError(
            "Module core.data non disponible. "
            "Vérifiez que core/data/db_iterator.py existe."
        )

    parameters = foreach_step_data.get("parameters", {})
    table_name = parameters.get("table_name", "")
    if not table_name:
        raise ValueError("Paramètre 'table_name' requis pour db_foreach")

    where_clause = parameters.get("where_clause") or None
    order_by = parameters.get("order_by") or None
    limit = parameters.get("limit")
    if limit is not None:
        try:
            limit = int(limit)
        except (ValueError, TypeError):
            limit = None

    # 1. Lire les lignes
    iterator = DBIterator()
    rows = list(iterator.iterate(
        table_name=table_name,
        where=where_clause,
        order_by=order_by,
        limit=limit,
    ))

    if not rows:
        logger.info("db_foreach : table '%s' vide, aucune itération", table_name)
        return {"row_count": 0, "iterations": [], "table_name": table_name}

    logger.info(
        "db_foreach : %d lignes à traiter dans '%s'", len(rows), table_name
    )

    # 2. Identifier les étapes dépendantes du foreach
    foreach_id = foreach_step_data["id"]
    dependent_ids = set()
    for edge in edges_data:
        if edge.get("source") == foreach_id:
            dependent_ids.add(edge["target"])

    # Aussi inclure les étapes qui dépendent des dépendants directs (chaîne)
    changed = True
    while changed:
        changed = False
        for edge in edges_data:
            if edge.get("source") in dependent_ids and edge["target"] not in dependent_ids:
                dependent_ids.add(edge["target"])
                changed = True

    if not dependent_ids:
        logger.warning("db_foreach '%s' : aucune étape dépendante trouvée", foreach_id)
        return {"row_count": len(rows), "iterations": [], "table_name": table_name}

    # Filtrer les étapes et edges pour ne garder que le sous-graphe
    sub_steps = [s for s in all_steps_data if s["id"] in dependent_ids]
    sub_edges = [
        e for e in edges_data
        if e.get("source") in dependent_ids and e.get("target") in dependent_ids
    ]

    # 3. Pour chaque ligne, injecter et exécuter
    iteration_results = []
    model = executor_kwargs.get("model", os.environ.get("RPA_VLM_MODEL", os.environ.get("VLM_MODEL", "gemma4:e4b")))
    ollama_endpoint = executor_kwargs.get("ollama_endpoint", "http://localhost:11434")
    timeout = executor_kwargs.get("timeout", 300)

    for row_idx, row in enumerate(rows):
        logger.info(
            "db_foreach iteration %d/%d : %s",
            row_idx + 1, len(rows), {k: str(v)[:50] for k, v in row.items()}
        )

        # Injecter ${current_row.xxx} dans les paramètres de chaque étape
        injected_steps = []
        for step_data in sub_steps:
            injected = dict(step_data)
            injected["parameters"] = _inject_current_row(
                step_data.get("parameters", {}), row
            )
            injected_steps.append(injected)

        # Reconstruire les edges internes (sans la dépendance vers foreach)
        internal_edges = []
        for e in sub_edges:
            internal_edges.append(e)

        # Pour les étapes qui dépendaient du foreach, supprimer cette dépendance
        # (elles deviennent des racines du sous-DAG)
        root_ids = set()
        for edge in edges_data:
            if edge.get("source") == foreach_id and edge["target"] in dependent_ids:
                root_ids.add(edge["target"])

        # Convertir en DAG steps
        dag_steps = _convert_vwb_to_dag_steps(injected_steps, internal_edges)

        # Supprimer la dépendance vers foreach_id dans les étapes racines
        for ds in dag_steps:
            ds.depends_on = [d for d in ds.depends_on if d != foreach_id]

        # Vérifier s'il y a des étapes LLM
        has_llm = any(s.step_type == StepType.LLM_CALL for s in dag_steps)

        llm_handler = None
        if has_llm:
            llm_handler = LLMActionHandler(
                ollama_endpoint=ollama_endpoint,
                model=model,
            )

        executor = DAGExecutor(
            max_llm_workers=2,
            max_ui_workers=1,
            llm_handler=llm_handler,
        )
        executor.load_workflow(dag_steps)

        result = executor.execute(timeout=timeout)

        iteration_results.append({
            "row_index": row_idx,
            "row_data": row,
            "success": result.success,
            "results": result.results,
            "errors": result.errors,
            "duration": result.duration_seconds,
        })

        if not result.success:
            logger.warning(
                "db_foreach iteration %d échouée : %s",
                row_idx, result.errors,
            )

    # Résumé
    success_count = sum(1 for r in iteration_results if r["success"])
    return {
        "table_name": table_name,
        "row_count": len(rows),
        "success_count": success_count,
        "error_count": len(rows) - success_count,
        "iterations": iteration_results,
    }


# ---------------------------------------------------------------------------
# Instance globale du dernier exécuteur (pour le status polling)
# ---------------------------------------------------------------------------
_current_executor: Optional[DAGExecutor] = None
_last_result: Optional[DAGExecutionResult] = None


# ---------------------------------------------------------------------------
# Endpoints
# ---------------------------------------------------------------------------

@api_v3_bp.route('/workflow/<workflow_id>/execute-dag', methods=['POST'])
def execute_dag(workflow_id: str):
    """
    Lance l'exécution DAG d'un workflow VWB.

    Les étapes LLM (llm_analyze, llm_translate, llm_extract_data, llm_generate)
    sont exécutées en parallèle via Ollama. Les étapes UI restent séquentielles.

    Body (optionnel) :
    {
        "edges": [{"source": "step_A", "target": "step_B"}, ...],
        "timeout": 300,
        "model": "qwen3-vl:8b",
        "ollama_endpoint": "http://localhost:11434"
    }

    Response :
    {
        "success": true/false,
        "execution": { "success": ..., "steps": {...}, "results": {...}, ... }
    }
    """
    global _current_executor, _last_result

    try:
        from db.models import Workflow, Step

        workflow = Workflow.query.get(workflow_id)
        if not workflow:
            return jsonify({
                'success': False,
                'error': f"Workflow '{workflow_id}' non trouvé"
            }), 404

        # Récupérer les étapes depuis la BDD
        steps_db = Step.query.filter_by(
            workflow_id=workflow_id
        ).order_by(Step.order).all()

        if not steps_db:
            return jsonify({
                'success': False,
                'error': "Le workflow n'a aucune étape"
            }), 400

        steps_data = [s.to_dict() for s in steps_db]

        # Récupérer les edges depuis le body (le frontend les envoie)
        data = request.get_json() or {}
        edges_data = data.get("edges", [])

        # Si pas d'edges fournis, créer une chaîne linéaire par défaut
        if not edges_data:
            for i in range(len(steps_data) - 1):
                edges_data.append({
                    "source": steps_data[i]["id"],
                    "target": steps_data[i + 1]["id"],
                })

        # Paramètres optionnels
        timeout = data.get("timeout", 300)
        model = data.get("model", os.environ.get("RPA_VLM_MODEL", os.environ.get("VLM_MODEL", "gemma4:e4b")))
        ollama_endpoint = data.get("ollama_endpoint", "http://localhost:11434")

        executor_kwargs = {
            "timeout": timeout,
            "model": model,
            "ollama_endpoint": ollama_endpoint,
        }

        # ---------------------------------------------------------------
        # Pré-traitement des étapes Data Loop (import_excel, db_foreach)
        # ---------------------------------------------------------------
        data_loop_results: Dict[str, Any] = {}

        # 1. Exécuter les imports Excel en premier (avant le DAG principal)
        import_steps = [s for s in steps_data if s["action_type"] == "import_excel"]
        for imp_step in import_steps:
            try:
                imp_result = _execute_import_excel(imp_step.get("parameters", {}))
                data_loop_results[imp_step["id"]] = imp_result
                logger.info(
                    "Import Excel '%s' terminé : %s",
                    imp_step["id"], imp_result,
                )
            except Exception as exc:
                logger.error("Import Excel '%s' échoué : %s", imp_step["id"], exc)
                return jsonify({
                    'success': False,
                    'error': f"Import Excel échoué : {exc}",
                }), 500

        # 2. Traiter les étapes db_foreach séparément
        foreach_steps = [s for s in steps_data if s["action_type"] == "db_foreach"]
        for fe_step in foreach_steps:
            try:
                fe_result = _execute_db_foreach(
                    fe_step, steps_data, edges_data, executor_kwargs,
                )
                data_loop_results[fe_step["id"]] = fe_result
                logger.info(
                    "db_foreach '%s' terminé : %d lignes, %d succès",
                    fe_step["id"],
                    fe_result.get("row_count", 0),
                    fe_result.get("success_count", 0),
                )
            except Exception as exc:
                logger.error("db_foreach '%s' échoué : %s", fe_step["id"], exc)
                return jsonify({
                    'success': False,
                    'error': f"Boucle données échouée : {exc}",
                }), 500

        # 3. Filtrer les étapes data loop + leurs dépendants (déjà exécutés)
        #    pour le DAG principal
        foreach_ids = {s["id"] for s in foreach_steps}
        already_executed_ids = set()
        for fe_id in foreach_ids:
            already_executed_ids.add(fe_id)
            # Trouver récursivement tous les dépendants
            changed = True
            while changed:
                changed = False
                for edge in edges_data:
                    if (edge.get("source") in already_executed_ids
                            and edge["target"] not in already_executed_ids):
                        already_executed_ids.add(edge["target"])
                        changed = True

        # Ajouter les import_excel aux déjà exécutés
        for imp_step in import_steps:
            already_executed_ids.add(imp_step["id"])

        # Filtrer les étapes restantes pour le DAG principal
        remaining_steps = [s for s in steps_data if s["id"] not in already_executed_ids]
        remaining_edges = [
            e for e in edges_data
            if e.get("source") not in already_executed_ids
            and e.get("target") not in already_executed_ids
        ]

        # Si toutes les étapes sont des data loop, retourner directement
        if not remaining_steps:
            return jsonify({
                'success': True,
                'execution': {
                    "success": True,
                    "data_loop_results": data_loop_results,
                    "steps": {},
                    "results": {},
                    "errors": [],
                    "duration_seconds": 0,
                },
            })

        # ---------------------------------------------------------------
        # Exécution DAG normale pour les étapes restantes
        # ---------------------------------------------------------------

        # Convertir en étapes DAG
        dag_steps = _convert_vwb_to_dag_steps(remaining_steps, remaining_edges)

        # Supprimer les dépendances vers des étapes data loop déjà exécutées
        for ds in dag_steps:
            ds.depends_on = [d for d in ds.depends_on if d not in already_executed_ids]

        # Vérifier s'il y a des étapes LLM
        has_llm_steps = any(s.step_type == StepType.LLM_CALL for s in dag_steps)

        # Créer le handler LLM si nécessaire
        llm_handler = None
        if has_llm_steps:
            llm_handler = LLMActionHandler(
                ollama_endpoint=ollama_endpoint,
                model=model,
            )

        # Créer et configurer l'exécuteur
        executor = DAGExecutor(
            max_llm_workers=2,
            max_ui_workers=1,
            llm_handler=llm_handler,
        )

        # Injecter les résultats des étapes data loop dans l'exécuteur
        # pour qu'ils soient disponibles via ${step_id.result}
        for step_id, dl_result in data_loop_results.items():
            executor._results[step_id] = dl_result

        # Charger le workflow dans le DAG
        executor.load_workflow(dag_steps)

        # Garder une référence pour le status
        _current_executor = executor
        _last_result = None

        logger.info(
            "Lancement exécution DAG pour workflow '%s' : %d étapes (%d LLM, %d data loop pré-traités)",
            workflow_id,
            len(dag_steps),
            sum(1 for s in dag_steps if s.step_type == StepType.LLM_CALL),
            len(data_loop_results),
        )

        # Exécuter (bloquant — le timeout protège)
        result = executor.execute(timeout=timeout)
        _last_result = result

        # Fusionner les résultats data loop
        result_dict = result.to_dict()
        if data_loop_results:
            result_dict["data_loop_results"] = data_loop_results

        logger.info(
            "Exécution DAG terminée : success=%s, durée=%.2fs",
            result.success,
            result.duration_seconds,
        )

        return jsonify({
            'success': True,
            'execution': result_dict,
        })

    except ValueError as e:
        return jsonify({
            'success': False,
            'error': f"Erreur de validation : {str(e)}"
        }), 400

    except Exception as e:
        traceback.print_exc()
        return jsonify({
            'success': False,
            'error': f"Erreur d'exécution : {str(e)}"
        }), 500


@api_v3_bp.route('/workflow/<workflow_id>/dag-status', methods=['GET'])
def get_dag_status(workflow_id: str):
    """
    Retourne le statut de la dernière exécution DAG.

    Response :
    {
        "success": true,
        "status": { "steps": {...}, "results": {...}, "summary": {...} }
    }
    """
    global _current_executor, _last_result

    try:
        # Si une exécution est terminée, retourner le résultat
        if _last_result is not None:
            return jsonify({
                'success': True,
                'completed': True,
                'status': _last_result.to_dict(),
            })

        # Si un exécuteur est en cours, retourner son état
        if _current_executor is not None:
            return jsonify({
                'success': True,
                'completed': False,
                'status': _current_executor.get_status(),
            })

        return jsonify({
            'success': True,
            'completed': False,
            'status': None,
            'message': "Aucune exécution DAG en cours",
        })

    except Exception as e:
        return jsonify({
            'success': False,
            'error': str(e)
        }), 500


# ---------------------------------------------------------------------------
# Upload Excel — explorateur de fichier côté navigateur
# ---------------------------------------------------------------------------

UPLOAD_DIR = os.path.join(
    os.path.dirname(os.path.dirname(os.path.abspath(__file__))),
    'data', 'uploads'
)


@api_v3_bp.route('/upload-excel', methods=['POST'])
def upload_excel():
    """Reçoit un fichier Excel uploadé depuis le navigateur.

    Sauvegarde dans data/uploads/ et retourne le chemin serveur +
    un nom de table suggéré basé sur le nom du fichier.
    """
    if 'file' not in request.files:
        return jsonify({'error': 'Aucun fichier reçu'}), 400

    file = request.files['file']
    if not file.filename:
        return jsonify({'error': 'Nom de fichier vide'}), 400

    # Vérifier l'extension
    ext = os.path.splitext(file.filename)[1].lower()
    if ext not in ('.xlsx', '.xls'):
        return jsonify({'error': f'Format non supporté : {ext}'}), 400

    os.makedirs(UPLOAD_DIR, exist_ok=True)
    save_path = os.path.join(UPLOAD_DIR, file.filename)
    file.save(save_path)

    # Nom de table suggéré à partir du nom du fichier
    import re as _re
    base = os.path.splitext(file.filename)[0]
    suggested = _re.sub(r'[^a-zA-Z0-9_]', '_', base).strip('_').lower()
    if suggested and suggested[0].isdigit():
        suggested = 't_' + suggested

    logger.info(f"Excel uploadé : {save_path} → table suggérée : {suggested}")
    return jsonify({
        'path': save_path,
        'filename': file.filename,
        'suggested_table': suggested,
    })


# ---------------------------------------------------------------------------
# Exécution sur Windows — proxy vers le streaming server (port 5005)
# ---------------------------------------------------------------------------

def _load_anchor_image_b64(anchor_id: str) -> Optional[str]:
    """Charger l'image d'une ancre et la retourner en base64.

    Cherche dans 3 emplacements possibles :
    1. data/anchors/{id}_full.png (nouveau format V3)
    2. data/anchor_images/{id}/original.png (ancien format)
    3. SQLite visual_anchors.image_path (chemin absolu en BDD)
    """
    import base64 as b64

    backend_dir = Path(__file__).resolve().parent.parent

    # 1. Nouveau format : data/anchors/{id}_thumb.png (crop de l'ancre, pas le screenshot complet)
    new_path = backend_dir / 'data' / 'anchors' / f'{anchor_id}_thumb.png'
    if new_path.exists():
        try:
            with open(new_path, 'rb') as f:
                return b64.b64encode(f.read()).decode('utf-8')
        except Exception as e:
            logger.error("Erreur lecture ancre %s : %s", new_path, e)

    # 2. Ancien format : data/anchor_images/{id}/original.png
    old_path = backend_dir / 'data' / 'anchor_images' / anchor_id / 'original.png'
    if old_path.exists():
        try:
            with open(old_path, 'rb') as f:
                return b64.b64encode(f.read()).decode('utf-8')
        except Exception as e:
            logger.error("Erreur lecture ancre %s : %s", old_path, e)

    # 3. Chemin depuis la BDD
    try:
        import sqlite3
        db_path = backend_dir / 'instance' / 'workflows.db'
        conn = sqlite3.connect(str(db_path))
        row = conn.execute("SELECT image_path FROM visual_anchors WHERE id=?", (anchor_id,)).fetchone()
        conn.close()
        if row and row[0] and Path(row[0]).exists():
            with open(row[0], 'rb') as f:
                return b64.b64encode(f.read()).decode('utf-8')
    except Exception as e:
        logger.error("Erreur lecture ancre BDD %s : %s", anchor_id, e)

    logger.warning("Image ancre introuvable pour %s", anchor_id)
    return None


def _load_anchor_metadata(anchor_id: str) -> Optional[Dict]:
    """Charger les métadonnées d'une ancre (bounding_box, taille, etc.)."""
    backend_dir = Path(__file__).resolve().parent.parent

    # 1. Ancien format : metadata.json
    meta_path = backend_dir / 'data' / 'anchor_images' / anchor_id / 'metadata.json'
    if meta_path.exists():
        try:
            with open(meta_path, 'r', encoding='utf-8') as f:
                return json.load(f)
        except Exception:
            pass

    # 2. Depuis la BDD visual_anchors
    try:
        import sqlite3
        db_path = backend_dir / 'instance' / 'workflows.db'
        conn = sqlite3.connect(str(db_path))
        row = conn.execute(
            "SELECT bbox_x, bbox_y, bbox_width, bbox_height, screen_width, screen_height "
            "FROM visual_anchors WHERE id=?", (anchor_id,)
        ).fetchone()
        conn.close()
        if row:
            return {
                'bounding_box': {'x': row[0], 'y': row[1], 'width': row[2], 'height': row[3]},
                'original_size': {'width': row[4] or 1920, 'height': row[5] or 1080},
            }
    except Exception:
        pass

    return None


def _inject_anchor_targeting(action: Dict, anchor_id: str) -> None:
    """Enrichit une action avec la cible visuelle (x_pct/y_pct + visual_mode/target_spec).

    Mutation in-place de `action`. Utilisé pour click_anchor*, type_text et
    type_secret — toute action qui doit cibler une zone visuelle précise avant
    d'agir (clic ou frappe avec focus).

    Sans cette injection, l'agent côté Windows ne peut pas faire le pre-click
    de focus avant `_type_text`, et le texte tape dans le vide.
    """
    if not anchor_id:
        return

    anchor_meta = _load_anchor_metadata(anchor_id)

    # Coordonnées du centre du bbox (fallback si template matching échoue)
    if anchor_meta:
        bbox = anchor_meta.get('bounding_box', {})
        orig = anchor_meta.get('original_size', {})
        orig_w = orig.get('width', 1920)
        orig_h = orig.get('height', 1080)
        if bbox.get('x') is not None and orig_w > 0 and orig_h > 0:
            cx = (bbox['x'] + bbox.get('width', 0) / 2) / orig_w
            cy = (bbox['y'] + bbox.get('height', 0) / 2) / orig_h
            action['x_pct'] = round(cx, 4)
            action['y_pct'] = round(cy, 4)

    # Image de l'ancre pour template matching côté agent
    anchor_b64 = _load_anchor_image_b64(anchor_id)
    if anchor_b64:
        target_spec = {
            'anchor_image_base64': anchor_b64,
            'anchor_id': anchor_id,
        }
        if anchor_meta:
            target_spec['anchor_bbox'] = anchor_meta.get('bounding_box', {})
            target_spec['original_size'] = anchor_meta.get('original_size', {})

        action['visual_mode'] = True
        action['target_spec'] = target_spec
        logger.info(
            "Action %s : ancre '%s' chargée (%d Ko), visual_mode activé",
            action.get('action_id', '?'),
            anchor_id,
            len(anchor_b64) // 1024,
        )
    else:
        logger.warning(
            "Action %s : ancre '%s' introuvable, fallback blind mode",
            action.get('action_id', '?'),
            anchor_id,
        )


@api_v3_bp.route('/execute-windows', methods=['POST'])
def execute_windows():
    """Proxy les actions du workflow vers le streaming server pour exécution sur Windows.

    Le navigateur ne peut pas contacter le port 5005 directement (CORS/réseau),
    donc le backend VWB sert de proxy.

    Pour les actions click_anchor, charge l'image de l'ancre visuelle depuis le
    disque et l'inclut en base64 dans target_spec afin que l'exécuteur Windows
    puisse résoudre la position par template matching (visual_mode).
    """
    import requests as req

    data = request.get_json()
    if not data:
        return jsonify({'error': 'Aucune donnée'}), 400

    # Vérifier si ce sont uniquement des actions fichiers (pas besoin de wait ni replay)
    all_file_actions = all(
        a.get('type', '') in _FILE_ACTION_TYPES
        for a in data.get('actions', [])
    ) if data.get('actions') else False

    # Injecter un délai de 5s SEULEMENT pour les actions UI (pas les fichiers)
    if not all_file_actions and 'actions' in data and data['actions']:
        data['actions'].insert(0, {
            'type': 'wait',
            'action_id': 'wait_before_start',
            'parameters': {'duration_ms': 5000},
            'text': '',
        })

    # Mapper les types VWB → types executor Windows
    TYPE_MAP = {
        'click_anchor': 'click',
        'double_click_anchor': 'click',
        'right_click_anchor': 'click',
        'type_text': 'type',
        'type_secret': 'type',
        'keyboard_shortcut': 'key_combo',
        'hotkey': 'key_combo',
        'scroll_to_anchor': 'scroll',
        'wait_for_anchor': 'wait',
        'visual_condition': 'wait',
    }

    # Types d'actions basées sur une ancre visuelle (nécessitent visual_mode)
    _ANCHOR_CLICK_TYPES = {'click_anchor', 'double_click_anchor', 'right_click_anchor'}

    if 'actions' in data:
        for action in data['actions']:
            vwb_type = action.get('type', '')
            params = action.get('parameters', {})

            # Mapper le type VWB → type executor
            mapped_type = TYPE_MAP.get(vwb_type, vwb_type)
            action['type'] = mapped_type

            # ---------------------------------------------------------------
            # Actions basées sur ancre visuelle → injecter visual_mode
            # ---------------------------------------------------------------
            if vwb_type in _ANCHOR_CLICK_TYPES:
                anchor_id = action.get('anchor_id')
                if anchor_id:
                    _inject_anchor_targeting(action, anchor_id)

                # Propagation du by_text (ciblage textuel prioritaire sur template)
                _by_text = params.get('by_text', '')
                if _by_text:
                    action['by_text'] = _by_text
                    if 'target_spec' in action:
                        action['target_spec']['by_text'] = _by_text

                # Mapper le bouton selon le type de clic VWB
                if vwb_type == 'double_click_anchor':
                    action['button'] = 'double'
                elif vwb_type == 'right_click_anchor':
                    action['button'] = 'right'

            # ---------------------------------------------------------------
            # type_text / type_secret → extraire le texte + cibler la zone
            # de saisie si une ancre visuelle est associée au step.
            # Sans ancre, l'agent tape là où le focus se trouve déjà
            # (compatibilité avec les workflows historiques sans anchor).
            # ---------------------------------------------------------------
            if vwb_type in ('type_text', 'type_secret') and 'text' in params:
                action['text'] = params['text']
                anchor_id = action.get('anchor_id') or (
                    params.get('visual_anchor') or {}
                ).get('anchor_id')
                if anchor_id:
                    _inject_anchor_targeting(action, anchor_id)

            # ---------------------------------------------------------------
            # keyboard_shortcut / hotkey → extraire les touches
            # ---------------------------------------------------------------
            if vwb_type in ('keyboard_shortcut', 'hotkey') and 'keys' in params:
                action['keys'] = params['keys']

    # ---------------------------------------------------------------
    # Actions fichiers → proxy vers /file-action de l'agent (port 5006)
    # ---------------------------------------------------------------
    if 'actions' in data:
        file_actions = [a for a in data['actions'] if a.get('type', '') in _FILE_ACTION_TYPES]
        if file_actions:
            # Exécuter les actions fichiers via l'agent Windows
            # Auth : Bearer token obligatoire (capture_server.py exige RPA_API_TOKEN)
            _agent_host = os.environ.get('RPA_WINDOWS_AGENT_HOST', '192.168.1.11')
            _agent_port = int(os.environ.get('RPA_WINDOWS_AGENT_PORT', '5006'))
            _agent_url = f'http://{_agent_host}:{_agent_port}/file-action'
            _api_token = os.environ.get('RPA_API_TOKEN', '')
            _file_headers = {'Authorization': f'Bearer {_api_token}'} if _api_token else {}

            file_results = []
            for fa in file_actions:
                try:
                    fa_resp = req.post(
                        _agent_url,
                        json={
                            'action': fa['type'],
                            'params': fa.get('parameters', {}),
                        },
                        headers=_file_headers,
                        timeout=30,
                    )
                    if fa_resp.status_code == 401:
                        file_results.append({
                            'error': "Agent Windows : auth refusee (verifier RPA_API_TOKEN)",
                        })
                    else:
                        file_results.append(fa_resp.json())
                except req.ConnectionError:
                    file_results.append({
                        'error': f"Agent Windows ({_agent_host}:{_agent_port}) non disponible pour l'action fichier"
                    })
                except Exception as e:
                    file_results.append({'error': str(e)})

            # Si TOUTES les actions sont des actions fichiers, retourner directement
            non_file_actions = [a for a in data['actions'] if a.get('type', '') not in _FILE_ACTION_TYPES]
            if not non_file_actions:
                return jsonify({
                    'success': all('error' not in r for r in file_results),
                    'file_results': file_results,
                })

            # Sinon, retirer les actions fichiers du flux principal
            data['actions'] = non_file_actions

    # Token Bearer pour le streaming server (auth obligatoire)
    _stream_token = os.environ.get('RPA_API_TOKEN', '')
    _stream_headers = {'Authorization': f'Bearer {_stream_token}'} if _stream_token else {}

    # L'agent Windows poll sous session "agent_demo_user" (= agent_{user_id}, user_id="demo_user")
    # On injecte directement dans cette session pour éviter le transfer cross-session
    # et pour que /replay/raw ne tente pas l'auto-détection d'une session "sess_*"
    # (qui échoue avec "Aucune session Agent V1 active" si l'agent n'a pas créé de session V1).
    if not data.get('session_id'):
        data['session_id'] = 'agent_demo_user'

    # Forcer le mode supervisé : pause_for_human DÉCLENCHE au lieu d'être
    # skippée. Le médecin valide la décision Léa avant que les saisies
    # type_text ne s'exécutent dans l'onglet Codage. Crucial pour la démo
    # GHT : Léa propose, humain valide, Léa finalise (cf. workflow Urgence).
    # Sans ça, mode "autonomous" par défaut → pause skippée → saisies
    # tentées sans validation → désordre visuel.
    data.setdefault('params', {})
    data['params'].setdefault('execution_mode', 'supervised')

    # Injecter le machine_id pour le ciblage multi-machine.
    # Cibler la machine Windows la plus récemment active (heartbeat last_activity)
    # plutôt que la première dans l'ordre arbitraire renvoyé par /machines :
    # un workflow enregistré sur PC A doit pouvoir être rejoué sur PC B (vision
    # 100 % visuelle, recalcul anchors+coords selon la résolution courante).
    # Le workflow.machine_id signale l'origine d'enregistrement, pas la cible
    # d'exécution — la cible doit être l'agent qui POLLE actuellement.
    if 'machine_id' not in data or not data.get('machine_id'):
        try:
            machines_resp = req.get(
                'http://localhost:5005/api/v1/traces/stream/machines',
                headers=_stream_headers,
                timeout=3,
            )
            if machines_resp.ok:
                machines = machines_resp.json().get('machines', [])
                # Filtrer Windows + non default, trier par last_activity desc
                windows_machines = [
                    m for m in machines
                    if m.get('machine_id')
                    and m['machine_id'] != 'default'
                    and 'windows' in m['machine_id'].lower()
                ]
                windows_machines.sort(
                    key=lambda m: m.get('last_activity', ''),
                    reverse=True,
                )
                if windows_machines:
                    data['machine_id'] = windows_machines[0]['machine_id']
        except Exception:
            pass

    try:
        resp = req.post(
            'http://localhost:5005/api/v1/traces/stream/replay/raw',
            json=data,
            headers=_stream_headers,
            timeout=30,
        )
        return jsonify(resp.json()), resp.status_code
    except req.ConnectionError:
        return jsonify({'error': 'Streaming server (port 5005) non disponible'}), 503
    except Exception as e:
        return jsonify({'error': str(e)}), 500


# ---------------------------------------------------------------------------
# QW4 — Proxy /api/v3/replay/resume → streaming /replay/{id}/resume
# Forward Bearer token + body { replay_id, acknowledged_check_ids }.
# Le frontend (PauseDialog) appelle /api/v3/replay/resume via le VWB ;
# on relaye au streaming server pour valider les acquittements safety_checks.
# ---------------------------------------------------------------------------
@api_v3_bp.route('/replay/resume', methods=['POST'])
def replay_resume_proxy():
    """Proxy QW4 vers le serveur streaming pour la reprise avec safety_checks."""
    import requests as req

    data = request.get_json() or {}
    replay_id = data.get('replay_id')
    if not replay_id:
        return jsonify({'error': 'replay_id manquant'}), 400

    streaming_url = os.environ.get('RPA_STREAMING_URL', 'http://localhost:5005')
    token = os.environ.get('RPA_API_TOKEN', '')
    headers = {'Content-Type': 'application/json'}
    if token:
        headers['Authorization'] = f'Bearer {token}'

    # Body forwardé : uniquement acknowledged_check_ids (replay_id est dans l'URL)
    forward_body = {
        'acknowledged_check_ids': data.get('acknowledged_check_ids') or [],
    }

    try:
        resp = req.post(
            f'{streaming_url}/api/v1/traces/stream/replay/{replay_id}/resume',
            json=forward_body,
            headers=headers,
            timeout=10,
        )
        return resp.content, resp.status_code, {'Content-Type': 'application/json'}
    except req.ConnectionError:
        return jsonify({'error': 'streaming_unreachable',
                        'detail': f'Streaming server non disponible ({streaming_url})'}), 502
    except req.RequestException as e:
        return jsonify({'error': 'streaming_unreachable', 'detail': str(e)}), 502


# ---------------------------------------------------------------------------
# QW4 — Proxy GET /api/v3/replay/state/<replay_id> → streaming /replay/{id}
# Forward Bearer token vers le serveur streaming.
# Permet à App.tsx de récupérer le state du replay actif (Agent V1 Windows)
# pour afficher PauseDialog quand status = paused_need_help avec safety_checks.
# ---------------------------------------------------------------------------
@api_v3_bp.route('/replay/state/<replay_id>', methods=['GET'])
def replay_state_proxy(replay_id):
    """Proxy QW4 vers le serveur streaming pour récupérer le state replay actif."""
    import requests as req

    streaming_url = os.environ.get('RPA_STREAMING_URL', 'http://localhost:5005')
    token = os.environ.get('RPA_API_TOKEN', '')
    headers = {}
    if token:
        headers['Authorization'] = f'Bearer {token}'

    try:
        resp = req.get(
            f'{streaming_url}/api/v1/traces/stream/replay/{replay_id}',
            headers=headers,
            timeout=5,
        )
        return resp.content, resp.status_code, {'Content-Type': 'application/json'}
    except req.ConnectionError:
        return jsonify({'error': 'streaming_unreachable',
                        'detail': f'Streaming server non disponible ({streaming_url})'}), 502
    except req.RequestException as e:
        return jsonify({'error': 'streaming_unreachable', 'detail': str(e)}), 502