class NlpPipelineProcessor
  # Initialise le processeur avec une connexion au service ML externe.
  def initialize(client)
    @nlp_client = client # Client API ou Service Object pour communiquer avec Python/spaCy
  end

  # Méthode principale orchestrant les étapes du pipeline traitement nlp.
  # Elle garantit que chaque étape reçoit un état de données normalisé.
  def process(text)
    # Étape 1: Tokenisation (Standard, peu gourmand en ressources).
    tokens = @nlp_client.tokenize(text) 

    # Étape 2: Analyse syntaxique et NER (Le goulot d'étranglement principal).
    analysis = @nlp_client.analyze(tokens)
    if analysis[:error]
      raise NlpProcessingError, "Erreur lors de l'analyse : \#{analysis[:message]}"
    end

    # Étape 3: Extraction et normalisation (Le cœur du pipeline traitement nlp).
    structured_data = @nlp_client.extract_entities(analysis)
    
    # Retourne un hash canonique, prêt à être utilisé dans Rails.
    { 
      raw_text: text,
      tokens: tokens[:tokens],
      entities: structured_data[:entities], # [ {type: 'PERSON', value: 'Nom'}, ... ]
      summary: generate_summary(analysis)
    }
  end

  private

  # Simule une génération de résumé basée sur les dépendances syntaxiques.
  def generate_summary(analysis)
    # On prend les noms propres et le verbe principal pour un aperçu rapide.
    return "Résumé non disponible." if analysis[:dependencies].empty?
    "[#{analysis[:entities].map { |e| e[:type] }.uniq.join(', ')}] : #{analysis[:dependencies][:root_verb]}"
  end
end