Musiksammlung/src/musiksammlung/vision_llm.py

"""Vision-LLM: Bild direkt an ein multimodales LLM senden, ohne OCR-Zwischenschritt."""

from __future__ import annotations

import base64
import json
import logging
import re
from pathlib import Path

import httpx
from pydantic import ValidationError

from musiksammlung.models import Album

logger = logging.getLogger(__name__)

VISION_PROMPT = """\
Lies das Foto einer CD-Rückseite oder eines Booklets ab. Das Bild kann gedreht sein.
Extrahiere daraus die Metadaten und die vollständige Trackliste.

WICHTIG:
- "artist" ist der Hauptinterpret oder "Various Artists" bei Samplern/Compilations.
- "album" ist der Albumtitel (z.B. "Deutsche Volkslieder", "Abbey Road").
- "year" ist das Erscheinungsjahr (Zahl oder null wenn nicht sichtbar).
- Lies die Tracktitel GENAU so ab, wie sie auf der CD stehen.
- Achte besonders auf korrekte deutsche Umlaute (ä, ö, ü, ß).
- Wenn "CD 1", "CD 2", "Disc 1" etc. sichtbar sind, erstelle mehrere Einträge in "discs".
- Ohne Disc-Angabe: eine Disc mit disc_number=1.
- Lasse Zeitangaben (z.B. "3:12") und Interpretenangaben pro Track weg.
- MEHRSPALTIGE LAYOUTS: CD-Rückseiten haben oft 2, 3 oder 4 Spalten nebeneinander.
  Lies ALLE Spalten vollständig von oben nach unten, bevor du zur nächsten Spalte gehst.
  Überspringen oder Auslassen von Spalten ist ein häufiger Fehler — lies jede Spalte komplett.

Antworte NUR mit dem JSON, ohne Erklärung. Beispiel:

{"artist":"Various Artists","album":"Deutsche Volkslieder","year":null,"""  # noqa: E501
VISION_PROMPT += """"discs":[{"disc_number":1,"name":null,"tracks":["""
VISION_PROMPT += """{"track_number":1,"title":"Erster Song"},"""
VISION_PROMPT += """{"track_number":2,"title":"Zweiter Song"}]}]}"""
VISION_PROMPT += """

Jetzt lies das Bild ab und gib das vollständige JSON aus. /no_think"""


def _encode_image(image_path: Path) -> str:
    """Liest ein Bild und gibt es als Base64-String zurück."""
    return base64.b64encode(image_path.read_bytes()).decode("utf-8")


def _extract_json(text: str) -> str:
    """Extrahiert JSON aus einer LLM-Antwort.

    Behandelt:
    - Reines JSON
    - JSON in Markdown-Codeblöcken (```json ... ```)
    - Thinking-Tags (<think>...</think>) vor dem JSON
    - Sonstiger Text vor/nach dem JSON
    """
    if not text or not text.strip():
        raise ValueError("Leere Antwort vom Vision-LLM")

    # Thinking-Tags entfernen
    text = re.sub(r"<think>.*?</think>", "", text, flags=re.DOTALL).strip()

    # Markdown-Codeblock extrahieren
    md_match = re.search(r"```(?:json)?\s*(\{.*?\})\s*```", text, re.DOTALL)
    if md_match:
        return md_match.group(1)

    # Äußerstes JSON-Objekt finden
    brace_match = re.search(r"\{.*\}", text, re.DOTALL)
    if brace_match:
        return brace_match.group(0)

    raise ValueError(f"Kein JSON in Antwort gefunden: {text[:200]}")


def parse_image(
    image_paths: list[Path],
    model: str = "qwen3-vl:latest",
    base_url: str = "http://localhost:11434",
    max_retries: int = 3,
) -> Album:
    """Sendet Bilder direkt an ein Vision-LLM und extrahiert Album-Daten.

    Args:
        image_paths: Liste von Bilddateien (Cover-Rückseite, Booklet, etc.)
        model: Ollama Vision-Modell
        base_url: Ollama-API-URL
        max_retries: Anzahl Wiederholungsversuche bei ungültigem JSON

    Returns:
        Validiertes Album-Objekt
    """
    images_b64 = [_encode_image(p) for p in image_paths]

    messages = [
        {
            "role": "user",
            "content": VISION_PROMPT,
            "images": images_b64,
        }
    ]

    last_error: Exception | None = None

    for attempt in range(max_retries + 1):
        try:
            response = httpx.post(
                f"{base_url}/api/chat",
                json={
                    "model": model,
                    "messages": messages,
                    "stream": False,
                },
                timeout=300.0,
            )
            response.raise_for_status()

            raw_text = response.json()["message"]["content"]
            logger.info(
                "Vision-LLM Antwort (Versuch %d, %d Zeichen)",
                attempt + 1, len(raw_text),
            )
            logger.debug("Rohantwort: %s", raw_text[:1000])

            json_str = _extract_json(raw_text)
            data = json.loads(json_str)
            album = Album.model_validate(data)

            logger.info(
                "Vision-LLM erfolgreich: %s - %s (%d Discs, %d Tracks)",
                album.artist,
                album.album,
                len(album.discs),
                sum(len(d.tracks) for d in album.discs),
            )
            return album

        except (json.JSONDecodeError, ValidationError, ValueError) as e:
            last_error = e
            logger.warning(
                "Versuch %d/%d fehlgeschlagen: %s",
                attempt + 1, max_retries + 1, e,
            )

        except httpx.HTTPStatusError as e:
            logger.error("HTTP-Fehler vom Vision-LLM: %s", e)
            raise

    msg = f"Vision-LLM lieferte nach {max_retries + 1} Versuchen kein valides Ergebnis"
    raise ValueError(msg) from last_error