#!/usr/bin/env python3
"""Build a compact Arabic SFT JSONL from the downloaded Arabic corpus."""
from __future__ import annotations

import argparse
import json
from pathlib import Path


def clean_line(line: str) -> str:
    return " ".join(line.strip().split())


def main() -> int:
    parser = argparse.ArgumentParser()
    parser.add_argument("--input", required=True)
    parser.add_argument("--output", required=True)
    parser.add_argument("--max-examples", type=int, default=2000)
    parser.add_argument("--min-chars", type=int, default=180)
    parser.add_argument("--max-chars", type=int, default=900)
    args = parser.parse_args()

    input_path = Path(args.input)
    output_path = Path(args.output)
    output_path.parent.mkdir(parents=True, exist_ok=True)

    prompts = [
        "لخص النص العربي التالي في فقرة قصيرة وواضحة.",
        "استخرج الفكرة الرئيسية من النص التالي.",
        "اكتب جوابا تعليميا مختصرا اعتمادا على النص التالي.",
        "حول النص التالي إلى نقاط معرفية واضحة.",
    ]

    count = 0
    with input_path.open("r", encoding="utf-8", errors="ignore") as src, output_path.open(
        "w", encoding="utf-8"
    ) as dst:
        for raw in src:
            text = clean_line(raw)
            if len(text) < args.min_chars:
                continue
            text = text[: args.max_chars]
            prompt = prompts[count % len(prompts)]
            messages = [
                {"role": "user", "content": f"{prompt}\n\n{text}"},
                {"role": "assistant", "content": text[: min(len(text), 420)]},
            ]
            dst.write(json.dumps(messages, ensure_ascii=False) + "\n")
            count += 1
            if count >= args.max_examples:
                break

    if count == 0:
        raise SystemExit(f"No examples written from {input_path}")
    print(f"Wrote {count} Arabic SFT examples to {output_path}")
    return 0


if __name__ == "__main__":
    raise SystemExit(main())