# -*- coding: utf-8 -*-
"""
实验步骤3：利用 TF-IDF 加权提升文本相似性计算准确性
    1. 读取 Amazon_small.csv 和 Google_small.csv 数据，
       提取文档ID和文本（标题、描述、制造商）的组合；
    2. 对文本进行分词，构建语料库（格式：(doc_id, [token列表])）；
    3. 计算 TF（词频）：统计每个词在文档中的出现次数除以该文档总词数；
    4. 计算 IDF（逆文档频率）：IDF(t)= N / n(t)，其中 N 为文档总数，n(t) 为包含词 t 的文档数；
    5. 计算 TF-IDF：每个词的 TF-IDF = TF * IDF；
    6. 输出格式：((doc_id, term), tfidf_value)

注意：确保 HDFS 上已上传以下文件：
    - Amazon_small.csv
    - Google_small.csv
    - 若代码中需要停用词过滤，可以自行调整或扩展（本示例未特别去除停用词）
"""

from pyspark import SparkContext
import re

sc = SparkContext(appName="TFIDF_Analysis")

# 请根据实际情况修改 HDFS 主机及端口，如 "hdfs://localhost:9000"
amazon_path = "hdfs://master:9000/user/root/Amazon_small.csv"
google_path = "hdfs://master:9000/user/root/Google_small.csv"


def parse_csv_line(line):
    """
    解析 CSV 行（假设字段用 '","' 分隔，且首尾有引号）
    返回 (doc_id, text)；text 为标题、描述、制造商字段拼接后的字符串
    """
    line = line.strip()
    if not line:
        return None
    # 去除首尾引号，然后按","分隔
    # 注意：此处简单处理，要求 CSV 文件中没有嵌入额外的引号
    parts = line.strip('"').split('","')
    if len(parts) < 4:
        return None
    doc_id = parts[0].strip()
    # 将标题、描述、制造商合并
    text = "{} {} {}".format(parts[1].strip(), parts[2].strip(), parts[3].strip())
    return (doc_id, text)


def tokenize(text):
    """
    分词：转成小写后提取所有字母数字字符组合（词）
    """
    return re.findall(r'\w+', text.lower())


# 读取数据文件并解析
# 过滤掉可能的表头（假设表头 doc_id 为 "id"）
amazon_rdd = sc.textFile(amazon_path).map(parse_csv_line) \
    .filter(lambda x: x is not None and x[0].lower() != "id")
google_rdd = sc.textFile(google_path).map(parse_csv_line) \
    .filter(lambda x: x is not None and x[0].lower() != "id")

# 转换为 (doc_id, [token列表])
amazonRecToToken = amazon_rdd.map(lambda x: (x[0], tokenize(x[1])))
googleRecToToken = google_rdd.map(lambda x: (x[0], tokenize(x[1])))

# 合并语料库
corpus = amazonRecToToken.union(googleRecToToken)
N = corpus.count()  # 语料库中的文档总数

# --------------- 计算 TF（词频） ---------------
# 对每个文档，生成 ((doc_id, term), 1) 对
doc_term_pairs = corpus.flatMap(lambda x: [((x[0], term), 1) for term in x[1]])

# 对同一文档中相同词求和得到每个 (doc_id, term) 的出现次数
doc_term_counts = doc_term_pairs.reduceByKey(lambda a, b: a + b)

# 计算每个文档的总词数 (doc_id, total_terms)
doc_lengths = corpus.map(lambda x: (x[0], len(x[1])))

# 为方便后续 join，先将 doc_term_counts 转换为 (doc_id, (term, count))
doc_term_counts_mapped = doc_term_counts.map(lambda x: (x[0][0], (x[0][1], x[1])))

# join 以获得每个文档的总词数
tf_joined = doc_term_counts_mapped.join(doc_lengths)
# tf_joined 格式：(doc_id, ((term, count), total_terms))

# 计算 TF： count / total_terms，输出 ((doc_id, term), tf_value)
tf_rdd = tf_joined.map(lambda x: ((x[0], x[1][0][0]), float(x[1][0][1]) / float(x[1][1])))

# --------------- 计算 IDF（逆文档频率） ---------------
# 为每个文档生成 (term, doc_id) 对，注意使用 set 去重，避免重复计数
term_doc_pairs = corpus.flatMap(lambda x: [(term, x[0]) for term in set(x[1])])
# 去重后统计每个 term 出现的文档数
df_rdd = term_doc_pairs.distinct().map(lambda x: (x[0], 1)).reduceByKey(lambda a, b: a + b)

# 计算 IDF，不取对数，使用公式：IDF(t) = N / df
idf_rdd = df_rdd.map(lambda x: (x[0], float(N) / float(x[1])))

# --------------- 计算 TF-IDF ---------------
# 将 tf_rdd 以 term 为 key，方便与 idf_rdd  join
tf_rdd_by_term = tf_rdd.map(lambda x: (x[0][1], (x[0][0], x[1])))
# join 得到 (term, ((doc_id, tf), idf))
tfidf_joined = tf_rdd_by_term.join(idf_rdd)
# 计算 TF-IDF： tf * idf，输出格式 ((doc_id, term), tfidf_value)
tfidf_rdd = tfidf_joined.map(lambda x: ((x[1][0][0], x[0]), x[1][0][1] * x[1][1]))

# --------------- 输出 TF-IDF 结果 ---------------

output_path = "hdfs://master:9000/user/root/output/tfidf"
tfidf_rdd.saveAsTextFile(output_path)

# 调试时打印前 5 个 TF-IDF 结果
for item in tfidf_rdd.take(5):
    print(item)

sc.stop()