import pandas as pd
from sqlalchemy import create_engine
import time

# --- KONFIGURACE ---
db_user = 'root'
db_pass = 'Vlado9674+'
db_host = '192.168.1.76'
db_port = '3307'
db_name = 'torrents'  # <--- ZDE DOPLNIT NÁZEV DATABÁZE

# --- PŘIPOJENÍ ---
connection_string = f'mysql+mysqlconnector://{db_user}:{db_pass}@{db_host}:{db_port}/{db_name}'
engine = create_engine(connection_string)

# SQL dotaz - vybíráme i full_path, abychom mohli v Pandas ukázat příklad cesty
# POZOR: Načítání 5.8M textových řetězců (full_path) zabere dost RAM (odhadem 2-4 GB).
query = """
SELECT id, blake3, file_size, full_path 
FROM file_md5_index FORCE INDEX (idx_full_path_prefix)
WHERE host_name='Tower1' AND full_path LIKE '/mnt/user/#Library%'
"""

print("1. Začínám stahovat data z MySQL do RAM...")
start_load = time.time()

try:
    # Stáhnutí dat
    df = pd.read_sql(query, engine)
    end_load = time.time()
    print(f"-> Data stažena za: {end_load - start_load:.2f} sekund")
    print(f"-> Počet řádků v paměti: {len(df)}")

    print("\n2. Začínám hledat duplicity (Pandas GroupBy)...")
    start_process = time.time()

    # Logika hledání duplicit
    # Najdeme jen ty, co mají duplicitní hash
    duplicity = df[df.duplicated(subset=['blake3'], keep=False)]

    if not duplicity.empty:
        # Seskupení
        vysledek = duplicity.groupby('blake3').agg({
            'file_size': 'first',  # Velikost souboru (předpokládáme stejnou pro stejný hash)
            'id': 'count',  # Počet výskytů
            'full_path': lambda x: x.iloc[0]  # Ukázka první cesty (rychlejší než 'first')
        }).rename(columns={'id': 'pocet_kopii'})

        # Filtrujeme jen ty, co mají skutečně více kopií a seřadíme podle velikosti * počet kopií
        # (Chceme vidět, kde plýtváme nejvíc místa)
        vysledek['celkove_plytvani'] = vysledek['file_size'] * (vysledek['pocet_kopii'] - 1)
        vysledek = vysledek.sort_values('celkove_plytvani', ascending=False)

        end_process = time.time()
        print(f"-> Zpracováno za: {end_process - start_process:.4f} sekund")

        print("\n--- TOP 20 NEJVĚTŠÍCH DUPLICIT ---")
        # Zobrazíme hash, počet kopií, velikost jednoho souboru a ukázku cesty
        print(vysledek[['pocet_kopii', 'file_size', 'full_path']].head(20))

        print(f"\nCelkem nalezeno {len(vysledek)} unikátních souborů, které mají duplicity.")
    else:
        print("Nebyly nalezeny žádné duplicity.")

except Exception as e:
    print(f"\nCHYBA: {e}")
    print("Zkontrolujte prosím název databáze a jestli máte dost paměti RAM.")