# -*- coding: utf-8 -*-
"""
从已有 数据.jsonl 里把【超长视频】的 COS 路径提取到一个 txt，供以后补跑。

用途：本次改动之前，被"视频过长"过滤掉的视频没有单独留列表，源 txt 又已删除。
但 数据.jsonl 每条都存了 duration，可据此把它们捞回来。

判定为"待补跑的超长视频"：
  - 该视频最新一条记录 reason == "视频过长"（新版记录有此字段）；或
  - duration > 阈值 且 status != success（旧记录没有 reason，靠时长兜底）
成功处理过的(status=success)不导出。

用法:
  python tools/拆分超长.py                         # 读 ./数据.jsonl，阈值取 config 的 max_duration_seconds
  python tools/拆分超长.py 数据.jsonl --min 2400   # 指定文件和阈值(秒)
  python tools/拆分超长.py a.jsonl b.jsonl -o 超长待重跑.txt
"""
import argparse
import json
import os
import sys

sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))


def _default_threshold():
    try:
        from config.config_utils import config
        return float(config.get_subtitle_config().get('max_duration_seconds', 5400) or 5400)
    except Exception:
        return 5400.0


def main():
    ap = argparse.ArgumentParser()
    ap.add_argument('jsonl', nargs='*', default=['数据.jsonl'],
                    help='一个或多个 数据.jsonl(默认 ./数据.jsonl)')
    ap.add_argument('--min', type=float, default=None,
                    help='超长阈值(秒)，默认取 config.max_duration_seconds')
    ap.add_argument('-o', '--out', default='超长待重跑.txt', help='输出 txt')
    args = ap.parse_args()

    thr = args.min if args.min is not None else _default_threshold()
    files = args.jsonl or ['数据.jsonl']

    # 多文件合并，按 video_cos_path 取最新一条
    latest = {}
    for path in files:
        if not os.path.exists(path):
            print(f"[跳过] 不存在: {path}")
            continue
        with open(path, encoding='utf-8') as f:
            for line in f:
                line = line.strip()
                if not line:
                    continue
                try:
                    r = json.loads(line)
                except Exception:
                    continue
                v = r.get('video_cos_path')
                if v:
                    latest[v] = r

    out_paths, seen = [], set()
    n_reason, n_dur = 0, 0
    for v, r in latest.items():
        if r.get('status') == 'success':
            continue
        reason = r.get('reason')
        dur = r.get('duration')
        hit = False
        if reason == '视频过长':
            hit = True; n_reason += 1
        elif dur is not None and dur > thr:
            hit = True; n_dur += 1
        if hit and v not in seen:
            seen.add(v); out_paths.append(v)

    with open(args.out, 'w', encoding='utf-8') as f:
        for p in out_paths:
            f.write(p + '\n')

    print(f"阈值 {thr:.0f}s | 扫描 {len(latest)} 个唯一视频")
    print(f"导出 {len(out_paths)} 个超长视频 → {args.out}  (reason命中 {n_reason}, 时长兜底 {n_dur})")
    print("\n补跑提示: 放进 text2/ 并【换一个 数据.jsonl】(否则会被当已处理跳过):")
    print(f"  mv {args.out} text2/long_rerun.txt")
    print("  # 建议在 GPU 机器上跑(长视频GPU硬解快); 放大 config.max_duration_seconds 让它们不再被过滤")


if __name__ == '__main__':
    main()