'''
实现对大模型调用的封装，隔离具体使用的LLM
pip install openai
'''
import openai
import json
import threading
import re
from openai import OpenAI
from myutils.MyTime import get_local_timestr

class LLMManager:
    def __init__(self,illm_type=0):
        self.api_key = None
        self.api_url = None
        self.task_id =0 #一个任务一个id
        self.llm_sn = 0  # llm执行序列号，--一任务一序列
        self.llm_sn_lock = threading.Lock()  #
        #temperature设置
        #DS------代码生成/数学解题：0.0 -- 数据抽取/分析：1.0 -- 通用对话：1.3 -- 翻译：1.3 -- 创意类写作：1.5
        #腾讯云---
        self.temperature = 1.0
        if illm_type == 0:  #腾讯云
            self.api_key = "fGBYaQLHykBOQsFwVrQdIFTsYr8YDtDVDQWFU41mFsmvfNPc"
            self.api_url = ""
        elif illm_type == 1: #DS
            self.api_key ="sk-10360148b465424288218f02c87b0e1b"
            self.api_url ="https://api.deepseek.com/v1"
            self.model = "deepseek-reasoner"   #model=deepseek-reasoner -- R1 model=deepseek-chat  --V3
        #创建会话对象 -- 一个任务的LLM必须唯一
        self.client = OpenAI(api_key=self.api_key,base_url=self.api_url)
        self.messages = []
        # 初始化阶段和已知信息
        current_stage = "信息收集"
        known_info = {"url": "www.test.com"}
        results = []  # 存储所有任务结果，用于生成报告

    #******测试使用，设置slef.message的值
    def test_old_message(self,strMessage):
        try:
            self.messages = json.loads(strMessage)
        except json.JSONDecodeError as e:
            print(f"JSON解析错误: {str(e)}")
        except Exception as e:
            print(f"错误: {str(e)}")

    # 构建初始提示  初始化messages
    def build_initial_prompt(self,target,know_info=""):
        self.messages = [{"role": "system",
                          "content": "你是一位资深的渗透测试专家,需要动态控制整个渗透测试过程，包括信息收集、漏洞扫描、漏洞利用等阶段，最终生成渗透测试报告。由你规划执行的指令，我会根据你的指令执行并提交结果，你再对结果进行分析，规划并生成下一步指令，直到完成渗透测试，生成测试报告。"
                                     "生成的指令需满足如下约束："
                                     "1.只返回具体的shell指令或Python代码，不要包含注释和说明；"
                                     "2.shell指令以```bash(.*?)```包裹，python代码以```python(.*?)```包裹；"
                                     "3.针对提供的Python代码，需要包含错误处理，并将执行结果保存到文件中(为每个任务指定唯一文件名)，执行结束返回success或failure和该文件名；"
                                     "4.如果认为渗透测试已完成，请生成生成报告的python代码，并返回success和complete"}]  # 一个messages
        return f"现在开始对目标{target}进行渗透测试，已知信息{know_info}，请提供下一步执行的指令。"

    # 构建反馈提示
    def build_feedback_prompt(self,bres,instruction, result):
        if bres:
            return f"执行指令“{instruction}”的结果是“{result}”。请根据这些结果生成下一步具体的指令。"
        else:
            return ""

    def init_data(self,task_id=0):
        #初始化LLM数据
        self.llm_sn = 0
        self.task_id = task_id
        self.messages = []

    # 调用LLM生成指令
    def get_llm_instruction(self,prompt,th_DBM):
        '''
        1.由于大模型API不记录用户请求的上下文，一个任务的LLM不能并发！
        :param prompt:用户本次输入的内容
        :return: instr_list
        '''
        #添加本次输入入队列
        message = {"role":"user","content":prompt}
        self.messages.append(message)

        #提交LLM
        post_time = get_local_timestr()
        response = self.client.chat.completions.create(
            model=self.model,
            messages = self.messages
        )

        reasoning_content = ""
        content = ""
        #LLM返回处理
        if self.model == "deepseek-reasoner":
            #返回错误码：DS-https://api-docs.deepseek.com/zh-cn/quick_start/error_codes
            reasoning_content = response.choices[0].message.reasoning_content   #推理过程
            print(reasoning_content)
            content = response.choices[0].message.content             #推理内容
            print(content)
            #记录历史信息
            self.messages.append({'role': 'assistant', 'content': content})
        elif self.model == "deepseek-chat":
            content = response.choices[0].message
            #记录历史信息
            self.messages.append(content)
        #LLM记录存数据库
        with self.llm_sn_lock:
            self.llm_sn += 1
            #llm查询记录入库
            bres = th_DBM.insert_llm(self.task_id,prompt,reasoning_content,content,post_time,self.llm_sn)
            if not bres:
                print("llm入库失败！")

        #********测试时使用---输出和记录LLM返回指令的message
        print(f"Messages:{self.messages}")
        with open("test","w",encoding="utf-8") as f:    #输出到文件
            json.dump(self.messages,f,ensure_ascii=False)

        #需要对指令进行提取
        instr_list = self.fetch_instruction(content)
        return instr_list

    def fetch_instruction(self,response_text):
        '''
        提取命令列表，包括：
        1. Python 代码块（仅保留有效 Python 代码）
        2. Shell 命令（分割空行，每个块视为一条指令）

        :param text: 输入文本
        :return: 解析后的命令列表
        '''
        #针对llm的回复，提取执行的指令
        # 正则匹配 Python 代码块
        python_blocks = re.findall(r"```python(.*?)```", response_text, flags=re.DOTALL)
        # 处理 Python 代码块，去除空行并格式化
        python_blocks = [block.strip() for block in python_blocks]

        # 按连续的空行拆分
        # 移除 Python 代码块，但保留内容用于返回
        text_no_python = re.sub(r"```python.*?```", "PYTHON_BLOCK", response_text, flags=re.DOTALL)
        # 这里用 \n\s*\n 匹配一个或多个空白行
        parts = re.split(r'\n\s*\n', text_no_python)

        commands = []
        python_index = 0  # 记录 Python 代码块插入位置

        for part in parts:
            part = part.strip()
            if not part:
                continue
            if "PYTHON_BLOCK" in part:
                # 还原 Python 代码块
                commands.append(f"python {python_blocks[python_index]}")
                python_index += 1
            else:
                # 添加普通 Shell 命令
                commands.append(part)

        return commands

    def test_llm(self):
        with open("test", "r", encoding="utf-8") as f:
            messages = json.load(f)
        text = messages[-1]["content"]
        list = self.fetch_instruction(text)
        for itme in list:
            print("***********")
            print(itme)


if __name__ == "__main__":
    LM = LLMManager(1)
    LM.test_llm()