import { execFile } from 'node:child_process';
import { mkdtemp, readFile, readdir, rm, writeFile } from 'node:fs/promises';
import { tmpdir } from 'node:os';
import { join } from 'node:path';
import { promisify } from 'node:util';
import { createRequire } from 'node:module';
import mammoth from 'mammoth';

// pdf-parse — CJS-only. Прямой ESM-импорт ломается из-за auto-test mode в index.js.
// createRequire даёт CJS loader, в котором module.parent определён → test-mode не активен.
const require = createRequire(import.meta.url);
const pdfParse: (buf: Buffer) => Promise<{ text: string; numpages: number }> = require('pdf-parse');

const execFileP = promisify(execFile);

export type ExtractedSource = 'docx' | 'pdf-text' | 'pdf-ocr' | 'image-ocr';
export type Extracted = { text: string; source: ExtractedSource; pageCount?: number };

const OCR_LANGS = 'rus+eng';

/**
 * Извлекает читаемый текст из произвольного загруженного документа.
 * - DOCX → mammoth (без OCR);
 * - PDF с текстовым слоем → pdf-parse;
 * - PDF-скан → pdftoppm в PNG → tesseract;
 * - PNG/JPG → tesseract напрямую.
 *
 * Если в системе нет tesseract/poppler — для не-DOCX вернётся ошибка с code=NO_OCR.
 */
export async function extractText(buf: Buffer, mime: string, filename: string): Promise<Extracted> {
  const lower = (mime + ' ' + filename).toLowerCase();
  if (lower.includes('wordprocessingml') || lower.endsWith('.docx')) {
    const r = await mammoth.extractRawText({ buffer: buf });
    return { text: cleanup(r.value), source: 'docx' };
  }
  if (mime.includes('pdf') || lower.endsWith('.pdf')) {
    return extractFromPdf(buf);
  }
  if (mime.startsWith('image/') || /\.(png|jpe?g|tiff?|bmp)$/i.test(filename)) {
    const text = await ocrImageBuffer(buf, '.png');
    return { text: cleanup(text), source: 'image-ocr' };
  }
  throw Object.assign(new Error(`Неподдерживаемый формат: ${mime || filename}`), {
    code: 'UNSUPPORTED_MIME',
  });
}

async function extractFromPdf(buf: Buffer): Promise<Extracted> {
  const parsed = await pdfParse(buf);
  const text = cleanup(parsed.text);
  // Эвристика: если текст-слой даёт меньше 60 символов на страницу — это сканированный PDF.
  const charsPerPage = parsed.numpages > 0 ? text.length / parsed.numpages : text.length;
  if (text.length > 200 && charsPerPage > 60) {
    return { text, source: 'pdf-text', pageCount: parsed.numpages };
  }
  // OCR pipeline
  const ocr = await ocrPdfBuffer(buf);
  return { text: cleanup(ocr), source: 'pdf-ocr', pageCount: parsed.numpages };
}

async function ocrImageBuffer(buf: Buffer, ext: string): Promise<string> {
  const dir = await mkdtemp(join(tmpdir(), 'docmgr-ocr-'));
  try {
    const inFile = join(dir, `in${ext}`);
    await writeFile(inFile, buf);
    const { stdout } = await execFileP('tesseract', [inFile, 'stdout', '-l', OCR_LANGS], {
      maxBuffer: 32 * 1024 * 1024,
    });
    return stdout;
  } catch (e) {
    if ((e as { code?: string }).code === 'ENOENT') {
      throw Object.assign(new Error('Tesseract не установлен в окружении. PDF-сканы обработать не получится.'), {
        code: 'NO_OCR',
      });
    }
    throw e;
  } finally {
    await rm(dir, { recursive: true, force: true });
  }
}

async function ocrPdfBuffer(buf: Buffer): Promise<string> {
  const dir = await mkdtemp(join(tmpdir(), 'docmgr-pdf-'));
  try {
    const inFile = join(dir, 'in.pdf');
    await writeFile(inFile, buf);
    // pdftoppm input.pdf out -png -r 200 → out-1.png, out-2.png ...
    try {
      await execFileP('pdftoppm', [inFile, join(dir, 'out'), '-png', '-r', '200']);
    } catch (e) {
      if ((e as { code?: string }).code === 'ENOENT') {
        throw Object.assign(new Error('pdftoppm (poppler-utils) не установлен.'), { code: 'NO_OCR' });
      }
      throw e;
    }
    const files = (await readdir(dir)).filter((f) => f.startsWith('out-') && f.endsWith('.png')).sort();
    const parts: string[] = [];
    for (const f of files) {
      const pageBuf = await readFile(join(dir, f));
      parts.push(await ocrImageBuffer(pageBuf, '.png'));
    }
    return parts.join('\n\n');
  } finally {
    await rm(dir, { recursive: true, force: true });
  }
}

function cleanup(s: string): string {
  return s
    .replace(/­/g, '') // soft hyphens
    .replace(/[ \t]+\n/g, '\n')
    .replace(/\n{3,}/g, '\n\n')
    .trim();
}