import collections
import re
from d2l import torch as d2l

d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')


def read_time_machine():
    """
    将时间机器数据集加载到文本行的列表中。

    该函数从网络下载时间机器数据集，并将其处理成一个由文本行组成的列表，
    每行文本经过以下处理：
    - 去除非字母字符
    - 去除两端空白
    - 转换为小写

    返回:
        list: 包含处理后的文本行的列表。
    """
    # 下载时间机器数据集
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()

    # 对每行文本进行处理，然后添加到列表中
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]


lines = read_time_machine()


# 词元化
def tokenize(lines, token='word'):
    """将文本行拆分为单词或字符标记"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误：未知词元类型：' + token)


tokens = tokenize(lines)
for i in range(11):
    print(tokens[i])


class Vocab:
    """
    词表类，用于处理文本中的词汇及其索引。

    参数:
    - tokens: 初始化时加入词表的词汇列表，默认为None。
    - min_freq: 词频低于此值的词汇将不被加入词表，默认为0。
    - reserved_tokens: 预留的特殊词汇列表，如'<unk>'表示未知词汇，默认为None。
    """

    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        # 初始化词表，处理预留词汇和最小频率
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []

        # 计算词频并按频率排序
        counter = count_corpus(tokens)
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True)

        # 设置未知词汇和其他预留词汇的索引
        self.idx_to_token = ['<unk>'] + reserved_tokens
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}

        # 根据频率和最小频率要求，添加词汇到词表
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        """
        返回词表中词汇的数量。

        返回:
        - int: 词表中的词汇数。
        """
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        """
        根据索引或词汇获取对应的词汇索引或索引列表。

        参数:
        - tokens: 单个词汇或词汇列表。

        返回:
        - int或list: 如果输入为单个词汇，则返回对应的索引；如果输入为词汇列表，则返回索引列表。
        """
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]

    def to_tokens(self, indices):
        """
        根据索引或索引列表获取对应的词汇或词汇列表。

        参数:
        - indices: 单个索引或索引列表。

        返回:
        - str或list: 如果输入为单个索引，则返回对应的词汇；如果输入为索引列表，则返回词汇列表。
        """
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

    @property
    def unk(self):
        return 0

    @property
    def token_freqs(self):
        return self._token_freqs


def count_corpus(tokens):
    """统计词元出现的频率"""
    # 这里的tokens是一维列表或二维列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        # 将词元列表展平成一个列表
        tokens = [token for line in tokens for token in line]
    return collections.Counter(tokens)


vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[: 10])

# 将每个文本行转换成一个数字索引列表
for i in [0, 10]:
    print('文本:', tokens[i])
    print('索引:', vocab[tokens[i]])


# 整合所有功能
def load_corpus_time_machine(max_tokens=-1):
    """
    加载时间机器文本语料库。

    参数:
    - max_tokens: int, 最多加载的词元数。如果为负，则加载所有令牌。

    返回:
    - corpus: list, 语料库的词元列表。
    - vocab: Vocab, 词汇表对象，包含词元到索引的映射。
    """
    # 从时间机器文本中读取行
    lines = read_time_machine()
    # 将每行文本按字符进行标记化
    tokens = tokenize(lines, 'char')
    # 构建词汇表，包含所有独特的字符
    vocab = Vocab(tokens)
    # 将文本转换为词汇表索引的列表
    corpus = [vocab[token] for line in tokens for token in line]
    # 如果指定最大令牌数，则截取语料库至最大令牌数
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab



corpus, vocab = load_corpus_time_machine()
print(len(corpus), len(vocab))