# -*- coding: utf-8 -*-
"""05_build_crossref_report.py — 参校本对照报告（初对照）生成
输入：参校本对照_药目核对.json（03 脚本产物）+ _tmp_实字异文.json（04 脚本产物）
输出：02_加工数据/参校本对照_孙本-维基.md"""
import json, os, datetime

BASE = '/home/songyi/Documents/ai_agent_scraper_study/data/神农本草经'
D = json.load(open(os.path.join(BASE, '02_加工数据/参校本对照_药目核对.json'), encoding='utf-8'))
SUB = json.load(open(os.path.join(BASE, '02_加工数据/_tmp_实字异文.json'), encoding='utf-8'))

same = D['同文']
diff = D['异文条目']
only_sun = D['未对齐_仅孙本']
only_wk = D['未对齐_仅维基']

L = []
L.append('# 参校本对照 — 孙本(第一参照本·殆知阁) ⇄ 维基文库(第二参校本) 初步对照')
L.append('')
L.append('> 性质：**两参校本互校**，双方原文均未改动；差异只登记。本对照供实体书 OCR 底本核对时作为「第三源」线索定位——凡两参校本一致的异文、或两方各有主张的异文，都圈出来供底本定夺。')
L.append('> 规整规则（对照镜像，不是改字）：① 繁→简单向转换（opencc t2s，仅对照视图）② 去括注（孙本多《御览》括注）③ 去句读（，。、；：）——均不动任何一方的原始文件。')
L.append('> 药名对齐用显式异体映射表（如 丹沙=丹砂、朴消=朴硝、慈石=磁石、茈胡=柴胡），映射SRﺎ只用于对照键。')
L.append('')
today = datetime.date.today().isoformat()
L.append('| 项 | 数 |')
L.append('|----|----|')
L.append('| 孙本药条(合并整理版口径) | 337 |')
L.append('| 维基药条 | 359 |')
L.append('| 对齐条目(名称可对) | %d |' % (len(same)+len(diff)))
L.append('| 两参校本文同 | %d |' % len(same))
L.append('| 对齐但文异（含体例差） | %d |' % len(diff))
L.append('| 剔除体例差后·实字异文条目 | **%d** |' % len(SUB := json.load(open(os.path.join(BASE, '02_加工数据/_tmp_实字异文.json'), encoding='utf-8'))))
L.append('| 未对齐·仅孙本 | %d |' % len(only_sun))
L.append('| 未对齐·仅维基 | %d |' % len(only_wk))
L.append('')
L.append('## 一、未对齐药名清单（四类成因）')
L.append('')
L.append('### 甲. 繁简异体（同一味药，用字不同——映射表已登记，属**版本体例差**，非内容差）')
L.append('')
L.append('如：丹沙/丹砂、朴消/朴硝、慈石/磁石、茈胡/柴胡、署豫/山芋系统、委萎/女萎……此层维基作繁体、孙本作简体+宋本用字，属繁简/异体书写差。')
L.append('')
L.append('### 未登记进映射表·成对残项（待人工归并）：')
L.append('')
sun_left = [n for n in only_sun if n not in ('KT','下经','木','本','石','菌','青','黄','萆','蓬','虫','蓄')]
wk_left = only_wk
L.append('| 孙本侧 | 维基侧（可能对应） |')
L.append('|---------|-------------------|')
for s in sun_left:
    L.append('| %s | （待人工归并） |' % s)
for w in wk_left[:20]:
    L.append('| （待人工归并） | %s |' % w)
L.append('')
L.append('## 二、同文条目（两层规整后完全一致）[%d 条]' % len(same))
L.append('')
L.append('、'.join(same))
L.append('')
L.append('## 三、实字异文[粗筛 %d 条]（样本）' % len(SUB))
L.append('')
L.append('> 注意：初筛自动剔除「治/有毒/无毒/小/微」等体例差；**繁简残留与形近字仍混入**，须人工定夺。每条列出「孙[原文]→维[原文]」。')
L.append('')
L.append('| 药名 | 差异（孙→维基） |')
L.append('|------|-----------------|')
for n, frags in list(SUB.items()):
    cells = '；'.join('孙[%s]→维[%s]' % (f['孙'], f['维基']) for f in frags[:5])
    L.append('| %s | %s |' % (n, cells.replace('|','\\|')))
L.append('')
L.append('## 四、全书结构差异（不在药条层面的差异）')
L.append('')
L.append('1. 孙本有《吴普》曰/《名医》曰/案：三重考据——维基文库全无')
L.append('2. 孙本有《御览》括注援引（《太平御览》引……）——维基无')
L.append('3. 维基有完整序录13行——孙本序录仅3段+目录行')
L.append('4. 维基三品分部按「玉石/草/木/果菜/米穀/蟲獸」——孙本按「卷一/二/三」')
L.append('5. 孙本卷三末附七情制使231种+《药对》五条——维基无')
L.append('6. 孙本药目数371>365、识别口径338——<strong>总计待底本核对后方能定</strong>')
L.append('')
L.append('## 五、下一步')
L.append('')
L.append('1. 未对齐药名人工归并清单→等底本OCR后定字')
L.append('2. 实字异文 228 条→等底本 OCR 后逐条定夺')
L.append('3. 序录 3 段 vs 13 行文本的取舍——以底本为准')
L.append('4. 孙本「KT」占位药条→底本核名')
L.append('')


md = '\n'.join(L)
md = md.replace('>>', '>')
open(os.path.join(BASE, '02_加工数据/参校本对照_孙本-维基.md'), 'w', encoding='utf-8').write(md)
print('已写 02_加工数据/参校本对照_孙本-维基.md，行数', md.count('\n')+1, 'md5:', __import__('hashlib').md5(md.encode()).hexdigest())