# 第4-3课练习：使用SQLAlchemy 2.x管理课程商品
#
# 本文件只提供题目，不包含导入、代码骨架、测试数据或参考答案。
# 练习会创建course_orm_product表，并只操作ORM-P-前缀的数据。
# 请勿改用现有业务表，也不要删除不属于本练习的数据。


# 第一部分：导入、配置与声明式基类
# 1. 导入Decimal、Path和tomllib。
# 2. 从sqlalchemy导入Numeric、String、URL、create_engine、delete和select。
# 3. 从sqlalchemy.orm导入DeclarativeBase、Mapped、Session、mapped_column和sessionmaker。
# 4. 使用Path(__file__).with_name("config.toml")定义CONFIG_PATH。
# 5. 定义Base(DeclarativeBase)，类体中不添加业务字段。
# 6. 实现load_database_config(config_path)，读取并返回[postgresql]配置字典。
# 7. 实现create_database_url(database_config)，必须调用URL.create()并指定：
#    - drivername="postgresql+psycopg"；
#    - username、password、host、port、database分别来自配置；
#    - 返回URL对象，不手工拼接包含密码的字符串。











# 第二部分：定义Product ORM模型
# 1. 定义Product(Base)。
# 2. 设置__tablename__ = "course_orm_product"。
# 3. 使用Mapped和mapped_column()声明：
#    - id：int主键，由数据库生成；
#    - code：最长30字符，唯一且非空；
#    - name：最长100字符且非空；
#    - price：NUMERIC(10, 2)且非空；
#    - stock：int且非空。
# 4. 定义__repr__，至少包含id、code、name和stock，返回字符串供调试使用。
#
# Java对照提醒：
# - Product既是普通Python类，也是数据库映射模型；
# - Mapped类似声明持久化属性的类型；
# - mapped_column()描述列约束，不等于Java字段的setter。





# 第三部分：创建并初始化课程数据
# 1. 定义reset_practice_data(session)，调用session.execute()执行：
#    delete(Product).where(Product.code.like("ORM-P-%"))。
# 2. 定义add_products(session)，创建并保存以下两个Product：
#    - code="ORM-P-001"，name="机械键盘"，price=Decimal("399.00")，stock=10；
#    - code="ORM-P-002"，name="无线鼠标"，price=Decimal("199.00")，stock=20。
# 3. 调用session.add_all(products)。
# 4. 调用session.flush()，然后读取第一件商品的id并输出：
#    “flush后第一件商品ID：实际ID”。
# 5. 不在add_products()中调用commit()。



# 第四部分：实现查询
# 1. 定义find_products(session)，创建SQLAlchemy 2.x查询语句：
#    select(Product).where(Product.code.like("ORM-P-%")).order_by(Product.code)
# 2. 调用session.scalars(statement).all()取得Product对象。
# 3. 返回Product对象列表；没有数据时返回空列表，不返回None。
# 4. 不使用旧式session.query()。



# 第五部分：实现修改和删除
# 1. 定义update_product(session)：
#    - 调用session.scalar(select(Product).where(Product.code == "ORM-P-001"))；
#    - 找不到时抛出RuntimeError("没有找到商品ORM-P-001。")；
#    - 找到后直接把stock属性修改为8；
#    - 不手写UPDATE SQL，也不在方法中提交。
# 2. 定义delete_product(session)：
#    - 查询code为ORM-P-002的Product；
#    - 找不到时抛出RuntimeError("没有找到商品ORM-P-002。")；
#    - 调用session.delete(product)；
#    - 不手写DELETE SQL，也不在方法中提交。




# 第六部分：验证事务回滚
# 1. 定义demonstrate_rollback(session_factory)。
# 2. 在try中使用with session_factory.begin() as session管理事务。
# 3. 查询ORM-P-001，把stock修改为0。
# 4. 调用session.flush()，让UPDATE先发送给数据库。
# 5. 紧接着抛出RuntimeError("模拟库存业务失败。")。
# 6. 在事务with外捕获RuntimeError并输出：
#    “失败事务已回滚：模拟库存业务失败。”
# 7. 最终回查时stock必须仍为8，而不是0。




# 第七部分：输出和main()流程
# 1. 定义print_products(title, products)，先print(title)，再逐个输出：
#    “ORM-P-001｜机械键盘｜价格：399.00｜库存：10”。
# 2. main()依次执行：
#    - 读取TOML配置并创建URL；
#    - 调用create_engine()，除database_url外还要传入：
#      connect_args={"connect_timeout": 配置值或默认值10}、pool_size=5、
#      max_overflow=5、pool_pre_ping=True、echo=False；
#    - 调用sessionmaker(engine, expire_on_commit=False)创建Session工厂；
#    - 调用Base.metadata.create_all(engine)创建缺失的课程表；
#    - 使用with session_factory.begin() as session重置并新增商品；
#    - 使用with session_factory() as session查询并输出“新增后：”；
#    - 使用新的session_factory.begin()事务修改和删除；
#    - 使用只读Session查询并输出“修改并删除后：”；
#    - 调用demonstrate_rollback(session_factory)；
#    - 最后查询并输出“失败事务回滚后：”。
# 3. 在程序边界分别处理配置错误和数据库访问错误。
# 4. 添加程序入口判断并调用main()。












# 预期关键输出：
# flush后第一件商品ID：实际ID
# 新增后：
# ORM-P-001｜机械键盘｜价格：399.00｜库存：10
# ORM-P-002｜无线鼠标｜价格：199.00｜库存：20
# 修改并删除后：
# ORM-P-001｜机械键盘｜价格：399.00｜库存：8
# 失败事务已回滚：模拟库存业务失败。
# 失败事务回滚后：
# ORM-P-001｜机械键盘｜价格：399.00｜库存：8


# 自查清单：
# 1. 是否使用SQLAlchemy 2.x的DeclarativeBase、Mapped和mapped_column()？
# 2. Engine是否只创建一次，并启用了pool_pre_ping？
# 3. 是否使用sessionmaker统一创建Session？
# 4. 是否使用select()和session.scalars()，而不是session.query()？
# 5. 修改属性后是否由Session自动识别变化？
# 6. Repository式函数中是否没有擅自提交事务？
# 7. flush后是否能取得数据库生成的主键，但事务仍可回滚？
# 8. 失败事务回滚后库存是否仍为8？
# 9. 是否只清理ORM-P-前缀的练习数据？


# 最终验收标准：
# 1. practice.py通过语法检查并能重复运行；
# 2. 模型字段与数据库表映射正确；
# 3. 新增、查询、修改和删除结果符合预期；
# 4. Session事务成功时提交、异常时回滚；
# 5. 能解释Engine、连接池和Session的职责；
# 6. 能解释flush()与commit()的区别；
# 7. 不使用SQLAlchemy 1.x旧式查询写法；
# 8. config.toml与真实数据库信息没有进入Git。