import datetime

from elasticsearch import Elasticsearch

from Config.Config import ES_CONFIG
from T2_Txt2Vec import text_to_embedding
from Util.EsMappingUtil import create_vector_index  # 导入工具函数

# 初始化ES连接
es = Elasticsearch(
    hosts=ES_CONFIG["hosts"],
    basic_auth=ES_CONFIG["basic_auth"],
    verify_certs=ES_CONFIG["verify_certs"],
    ssl_show_warn=ES_CONFIG["ssl_show_warn"]
)

def save_to_es(text, index_name="knowledge_base"):
    """将文本向量化后保存到ES"""
    # 检查是否已存在相同文本
    query = {
        "query": {
            "term": {
                "text.keyword": {
                    "value": text
                }
            }
        }
    }
    
    exists = es.search(index=index_name, body=query)
    if exists["hits"]["total"]["value"] > 0:
        print(f"文档已存在，跳过保存: {text}")
        return exists["hits"]["hits"][0]["_id"]  # 返回现有文档ID
    
    # 保存新文档
    vector = text_to_embedding(text)
    doc = {
        "text": text,
        "vector": vector,
        "timestamp": datetime.datetime.now().isoformat()
    }
    
    try:
        res = es.index(index=index_name, document=doc)
        print(f"文档已保存，ID: {res['_id']}")
        return res["_id"]
    except Exception as e:
        print(f"保存到ES失败: {str(e)}")
        raise

# 使用示例
if __name__ == "__main__":
    create_vector_index(dims=200)  # 使用工具函数创建索引
    save_to_es("如何更换支付宝绑定银行卡")