"""
Generiert synthetische deutsche Texte mit PII-Daten via OpenAI.
Speichert das Ergebnis als JSON.

Usage:
    pip install openai python-dotenv
    set OPENAI_API_KEY=sk-...
    python generate_pii_texts.py
"""

import json
import os
import random
from pathlib import Path
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()

SYSTEM_PROMPT = """\
Du bist ein Testdaten-Generator. Du erzeugst realistische deutsche Texte \
die personenbezogene Daten (PII) enthalten. Alle Daten sind FIKTIV.

Wichtig:
- Sei KREATIV bei den PII-Typen. Nicht nur Name+Email, sondern auch:
  Geburtsdaten, Steuernummern, Kennzeichen, Kundennummern, IP-Adressen,
  Benutzernamen, Bankverbindungen, Sozialversicherungsnummern, Adressen,
  Telefonnummern, Kreditkarten, Personalausweisnummern, Reisepassnummern,
  Führerscheinnummern, Krankenkassennummern, URLs mit PII-Parametern,
  Geburtsorte, Nationalitäten, Religionszugehörigkeit usw.
- Baue EDGE CASES ein:
  * PII in Tabellenform, Aufzählungen, Signaturen
  * Abgekürzte Namen (M. Müller), Spitznamen, Doppelnamen
  * Telefonnummern in verschiedenen Formaten (+49, 0049, 089/, mit/ohne Leerzeichen)
  * Adressen in verschiedenen Formaten (mit/ohne Bundesland, Postfach, c/o)
  * Teilweise geschwärzte Daten (DE** **** **** 1234 56)
  * PII eingebettet in Code-Snippets, Log-Dateien, SQL-Queries
  * PII in E-Mail-Headern, Chat-Verläufen
  * Mehrere Personen im selben Text
  * PII die sich über Zeilenumbrüche erstreckt
  * Tippfehler in PII-nahen Kontexten
  * IBANs/Kartennummern mit und ohne Leerzeichen
- Variiere die Textarten: Emails, Chatverläufe, Briefe, Logs, Formulare,
  Berichte, Notizen, Protokolle, Tickets, Datenbankeinträge
"""

SCENARIOS = [
    "Kundenanfrage per Email mit Signatur",
    "IT-Support-Ticket mit Log-Auszügen",
    "Internes Chat-Protokoll zwischen Kollegen",
    "Behördliches Schreiben / Bescheid",
    "Arztbrief mit Patientendaten",
    "Polizeibericht / Unfallprotokoll",
    "Bewerbung mit Lebenslauf-Auszügen",
    "Bankmitteilung / Kontoeröffnung",
    "Versicherungsmeldung / Schadensfall",
    "Datenbankexport / CSV-artige Daten mit Kopfzeile",
    "Handschriftliche Notiz (transkribiert) mit PII",
    "Server-Logfile mit User-Daten und IPs",
    "SQL-Query oder Code-Snippet mit hardkodierten PII",
    "Meeting-Protokoll mit Teilnehmerliste",
    "Mietvertrag / Wohnungsübergabe-Protokoll",
]


def generate(count=5, scenario=None, model="gpt-4o"):
    client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
    scenario = scenario or random.choice(SCENARIOS)

    user_prompt = f"""\
Generiere {count} verschiedene deutsche Texte (je 50-250 Wörter).
Szenario: {scenario}

Jeder Text soll VERSCHIEDENE PII-Typen enthalten – nicht immer die gleichen.
Baue bewusst Edge Cases und ungewöhnliche Formate ein.

Antwort als JSON:
{{
  "samples": [
    {{
      "text": "...",
      "pii_spans": [
        {{"type": "PERSON", "value": "Max Müller", "start": 10, "end": 20}},
        {{"type": "PHONE", "value": "+49 170 1234567", "start": 55, "end": 70}}
      ],
      "scenario": "Kundenanfrage"
    }}
  ]
}}

Regeln für pii_spans:
- type: freier String, z.B. PERSON, EMAIL, PHONE, IBAN, ADDRESS, DATE_OF_BIRTH,
  LICENSE_PLATE, IP_ADDRESS, CREDIT_CARD, TAX_ID, SSN, ID_CARD, PASSPORT, URL, USERNAME, ...
- start/end: Zeichenpositionen im text (0-basiert). MÜSSEN exakt dem value entsprechen.
- JEDE PII im Text muss als span annotiert sein.
"""

    print(f"  → Generiere {count}x '{scenario}' ...")

    resp = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": user_prompt},
        ],
        temperature=1.0,
        response_format={"type": "json_object"},
    )

    raw = json.loads(resp.choices[0].message.content or "{}")
    samples = raw.get("samples", [])

    # Fix offsets: LLMs liegen oft daneben bei start/end
    for s in samples:
        for span in s.get("pii_spans", []):
            val = span.get("value", "")
            idx = s["text"].find(val)
            if idx != -1:
                span["start"] = idx
                span["end"] = idx + len(val)

    return samples


def main():
    total = 50
    batch_size = 5
    all_samples = []

    print(f"Generiere {total} synthetische PII-Texte...\n")

    for i in range(0, total, batch_size):
        scenario = random.choice(SCENARIOS)
        n = min(batch_size, total - i)
        try:
            batch = generate(count=n, scenario=scenario)
            all_samples.extend(batch)
            print(f"  ✓ {len(all_samples)}/{total} fertig")
        except Exception as e:
            print(f"  ✗ Fehler: {e}")

    out = Path("output/synthetic_pii_data.json")
    out.parent.mkdir(exist_ok=True)
    out.write_text(json.dumps(all_samples, indent=2, ensure_ascii=False), encoding="utf-8")
    print(f"\n✅ {len(all_samples)} Texte gespeichert → {out}")


if __name__ == "__main__":
    main()