"""公告页内容提取工具。

流程：
1. 打开公告页，取 `#page-content` 的正文文字与图片地址；
2. 图片地址下载成字节流；
3. 每张图片 OCR 提取文字；
4. 每张图片检测二维码，有则解出内容；
5. 正文 + 图片文字 + 二维码内容合并为一段字符串。

图片下载、OCR、二维码识别都允许失败，单张出错只记日志并跳过。
"""

from __future__ import annotations

from app.core.logger import log
from app.tool.browser import open_page, query
from app.tool.cv import has_qr
from app.tool.image_download import download_image
from app.tool.ocr import ocr
from app.tool.qr_decode import decode_qr

# 正文容器选择器
_SELECTOR = "#page-content"

# 打开页面后的等待时间（毫秒），等懒加载图片就位
_WAIT_MS = 3000


def extract_page(url: str) -> str:
    """提取公告页的全部文字信息。

    Args:
        url: 公告页地址。

    Returns:
        正文文字、图片 OCR 文字、二维码内容合并后的字符串；
        页面打开失败时返回空字符串。
    """
    if not url or not url.startswith("http"):
        return ""

    try:
        page_id = open_page(url, _WAIT_MS)
        nodes = query(page_id, _SELECTOR)
    except Exception as exc:
        log.error(f"公告页打开失败: {url} | {exc}")
        return ""

    texts: list[str] = []
    image_urls: list[str] = []

    for node in nodes:
        if node.text:
            texts.append(node.text)
        image_urls.extend(node.image_urls)

    for image_url in image_urls:
        image = download_image(image_url)
        if image is None:
            continue

        # OCR 提取图片文字
        try:
            image_text = ocr(image)
        except Exception as exc:
            log.warning(f"图片 OCR 失败: {image_url} | {exc}")
        else:
            if image_text:
                texts.append(image_text)

        # 有二维码则解出内容
        try:
            if has_qr(image):
                texts.extend(decode_qr(image))
        except Exception as exc:
            log.warning(f"二维码识别失败: {image_url} | {exc}")

    content = "\n".join(text for text in texts if text)
    log.info(f"公告页提取完成（图片 {len(image_urls)} 张，文本 {len(content)} 字）: {url}")
    return content