src/graph/graph_loader.py

import os
from collections import defaultdict
from neo4j import GraphDatabase
from dotenv import load_dotenv

# Carico le env vars. Su HF Spaces pesca in automatico dai secrets.
load_dotenv() 

class KnowledgeGraphPersister:
    def __init__(self):
        # Setup della connessione a Neo4j. 
        uri = os.getenv("NEO4J_URI")
        user = os.getenv("NEO4J_USER")
        password = os.getenv("NEO4J_PASSWORD")
        
        try:
            self.driver = GraphDatabase.driver(uri, auth=(user, password))
            self.driver.verify_connectivity()
            print(f"✅ Connesso a Neo4j ({uri}).")
            
            # Chiamo subito la creazione degli indici. Se partiamo a fare ingestion massiva 
            # senza constraint, il DB collassa al primo blocco di MERGE.
            self._create_constraints()
            
        except Exception as e:
            print(f"❌ Errore critico connessione Neo4j: {e}")
            self.driver = None

    def close(self):
        # Chiudo pulito il driver (chiamato nel lifecycle shutdown dell'API)
        if self.driver:
            self.driver.close()

    def _create_constraints(self):
        if not self.driver: return
        
        # Senza questo vincolo UNIQUE, l'istruzione MERGE fa un Full Table Scan ogni volta.
        # Fondamentale per mantenere le transazioni < 10ms anche con migliaia di nodi.
        query = "CREATE CONSTRAINT resource_uri_unique IF NOT EXISTS FOR (n:Resource) REQUIRE n.uri IS UNIQUE"
        
        # Indice vettoriale nativo per le ricerche di similarità (dimensionato a 384 per matchare all-MiniLM)
        query_vector = """
        CREATE VECTOR INDEX entity_embeddings IF NOT EXISTS 
        FOR (n:Resource) ON (n.embedding) 
        OPTIONS {indexConfig: {
            `vector.dimensions`: 384, 
            `vector.similarity_function`: 'cosine'
        }}
        """
        with self.driver.session() as session:
            try:
                session.run(query)
                print("⚡ Vincolo di unicità verificato.")
            except Exception as e:
                print(f"⚠️ Warning vincolo unicità: {e}")
                
            try:
                session.run(query_vector)
                print("⚡ Vector Index verificato.")
            except Exception as e:
                print(f"⚠️ Warning vector index: {e}")

    def sanitize_name(self, name):
        # Canonicalizzazione molto base: sostituisco spazi inutili e tolgo gli apici che spaccano le query Cypher.
        if not name: return "Unknown"
        return name.strip().replace(" ", "_").replace("'", "").replace('"', "")

    def sanitize_predicate(self, pred):
        # Cruciale per evitare Cypher Injection. In Cypher NON si può parametrizzare 
        # il tipo di relazione in un MERGE (es. non puoi fare -[r:$pred]-). Devo per forza 
        # iniettarlo nella stringa della query, quindi lo normalizzo in modo drastico.
        if not pred: return "RELATED_TO"
        
        pred = pred.replace(":", "_").replace("-", "_").replace(" ", "_")
        clean = "".join(x for x in pred if x.isalnum() or x == "_")
        
        # Convenzione Neo4j: le relationships sono sempre in UPPERCASE
        return clean.upper() if clean else "RELATED_TO"

    def  save_triples(self, triples):
        if not self.driver or not triples:
            return

        print(f"💾 Preparazione Batch di {len(triples)} triple...")

        batched_by_pred = defaultdict(list)
        
        for t in triples:
            safe_pred = self.sanitize_predicate(t.predicate)
            
            item = {
                "subj_uri": self.sanitize_name(t.subject),
                "subj_label": t.subject,
                "subj_type": getattr(t, 'subject_type', '').replace(":", "_").replace("-", "_"),
                "obj_uri": self.sanitize_name(t.object),
                "obj_label": t.object,
                "obj_type": getattr(t, 'object_type', '').replace(":", "_").replace("-", "_"),
                "evidence": getattr(t, 'evidence', 'N/A'),
                "reasoning": getattr(t, 'reasoning', 'N/A'),
                "src": getattr(t, 'source', 'unknown') or 'unknown'
            }
            batched_by_pred[safe_pred].append(item)

        with self.driver.session() as session:
            for pred, data_list in batched_by_pred.items():
                try:
                    session.execute_write(self._unwind_write_tx, pred, data_list)
                    print(f"   -> Inserite {len(data_list)} relazioni :{pred}")
                except Exception as e:
                    print(f"⚠️ Errore batch per relazione :{pred} -> {e}")

        print("✅ Salvataggio completato.")

    def save_entities_and_triples(self, entities_to_save, triples):
        if not self.driver: return

        # Ingestion a 2 step: prima butto dentro i nodi isolati con tutti i loro payload
        # (embedding vettoriali e link a Wikidata), poi in un secondo momento ci aggancio sopra le relazioni.
        if entities_to_save:
            print(f"💾 Salvataggio di {len(entities_to_save)} nodi singoli con vettori...")
            
            node_batch = []
            for item in entities_to_save:
                item["uri"] = self.sanitize_name(item["label"])
                node_batch.append(item)
                
            with self.driver.session() as session:
                session.execute_write(self._unwind_write_nodes, node_batch)

        if triples:
            self.save_triples(triples)

    @staticmethod
    def _unwind_write_nodes(tx, batch_data):
        # L'UNWIND è l'unico modo per fare VERO batching massivo in Neo4j senza distruggere la RAM.
        # Passo un intero array JSON ($batch) e Cypher lo "srotola" inserendo migliaia di nodi al volo.
        query = (
            "UNWIND $batch AS row "
            "MERGE (n:Resource {uri: row.uri}) "
            "ON CREATE SET n.label = row.label, "
            "              n.embedding = row.embedding, "
            "              n.wikidata_sameAs = row.wikidata_sameAs, "
            "              n.last_updated = datetime() "
        )
        tx.run(query, batch=batch_data)

    @staticmethod
    def _unwind_write_tx(tx, predicate, batch_data):
        # Qui avviene la vera traduzione dal mondo RDF a quello Labeled Property Graph (LPG).
        if predicate in ["RDF_TYPE", "TYPE", "A", "CORE_HASTYPE"]:
            # Se l'LLM ha generato una tripla di classificazione ontologica, NON creo un nodo astratto inutile. 
            # Uso APOC per convertire l'oggetto della tripla in una vera Label sul nodo di partenza.
            query = (
                "UNWIND $batch AS row "
                "MERGE (s:Resource {uri: row.subj_uri}) "
                "ON CREATE SET s.label = row.subj_label, s.last_updated = datetime() "
                "WITH s, row "
                "SET s:$( [replace(row.obj_label, ':', '_')] ) "
                "RETURN count(node)"
            )
            tx.run(query, batch=batch_data)
            
        else:
            # Per tutte le altre relazioni semantiche classiche (es. si_trova_in, ha_autore)
            # eseguo un merge standard tra le due entità.
            query = (
                f"UNWIND $batch AS row "
                f"MERGE (s:Resource {{uri: row.subj_uri}}) "
                f"ON CREATE SET s.label = row.subj_label "
                f"MERGE (o:Resource {{uri: row.obj_uri}}) "
                f"ON CREATE SET o.label = row.obj_label "
                f"WITH s, o, row, "
                f"     CASE WHEN row.subj_type <> '' THEN [row.subj_type] ELSE [] END AS s_labels, "
                f"     CASE WHEN row.obj_type <> '' THEN [row.obj_type] ELSE [] END AS o_labels "
                f"SET s:$(s_labels), o:$(o_labels) "
                f"MERGE (s)-[r:`{predicate}`]->(o) "
                f"SET r.evidence = row.evidence, "
                f"    r.reasoning = row.reasoning, "
                f"    r.source = row.src, "
                f"    r.last_updated = datetime()"
            )
            tx.run(query, batch=batch_data)