"""简历文字处理

将上传的简历文件提取为纯文本，供后续 AI 重写/结构化使用。
支持格式：.txt / .md / .pdf / .docx
所有解析均为异步（阻塞解析下沉到线程池，避免阻塞事件循环）。
"""

import asyncio
import io

import fitz  # PyMuPDF
from docx import Document

from app.core.asserts import Assert
from app.core.logger import log

# 支持的简历文件类型
SUPPORTED_EXTENSIONS = (".txt", ".md", ".pdf", ".docx")

# 纯文本解码尝试的编码顺序
_TEXT_ENCODINGS = ("utf-8", "gbk", "gb2312", "latin-1")


async def _parse_txt(content: bytes) -> str:
    """解析纯文本 (.txt / .md)：自动探测编码，返回全文文本"""

    def _decode() -> str:
        for encoding in _TEXT_ENCODINGS:
            try:
                return content.decode(encoding)
            except (UnicodeDecodeError, LookupError):
                continue
        # 全部失败时以替换字符兜底，保证不抛异常
        return content.decode("utf-8", errors="replace")

    return await asyncio.to_thread(_decode)


async def _parse_pdf(content: bytes) -> str:
    """解析 PDF：使用 PyMuPDF 逐页 get_text() 拼接为全文文本

    sort=True 按文本块坐标(y,x)排序输出，即视觉阅读顺序。
    默认的内容流顺序对模板生成的简历完全不可用：这类简历的「公司/职位/时间」表头是绝对定位文本框，
    会被整批甩到全文最前面，与各自的职责描述相隔几十行，AI 无法还原归属关系。
    """

    def _extract() -> str:
        parts: list[str] = []
        with fitz.open(stream=content, filetype="pdf") as doc:
            for page in doc:
                parts.append(page.get_text("text", sort=True))
        return "\n".join(parts)

    return await asyncio.to_thread(_extract)


async def _parse_docx(content: bytes) -> str:
    """解析 Word (.docx)：拼接段落文本，表格行用 \t 连接，返回全文文本"""

    def _extract() -> str:
        try:
            doc = Document(io.BytesIO(content))
        except Exception:
            raise ValueError("无法解析该 Word 文件，请确认为有效的 .docx 格式")
        parts: list[str] = []
        for para in doc.paragraphs:
            text = para.text.strip()
            if text:
                parts.append(text)
        for table in doc.tables:
            for row in table.rows:
                row_text = "\t".join(cell.text.strip() for cell in row.cells)
                if row_text.strip():
                    parts.append(row_text)
        return "\n".join(parts)

    return await asyncio.to_thread(_extract)


# 后缀 → 解析函数。新增格式只需在此登记一行，并同步 SUPPORTED_EXTENSIONS。
_PARSERS = {
    ".txt": _parse_txt,
    ".md": _parse_txt,
    ".pdf": _parse_pdf,
    ".docx": _parse_docx,
}


async def extract_text(filename: str, content: bytes) -> str:
    """简历文字提取统一入口：先校验文件类型受支持，再按后缀路由提取全文文本"""
    suffix = filename[filename.rfind("."):].lower() if "." in filename else ""
    Assert.is_true(
        suffix in SUPPORTED_EXTENSIONS,
        f"不支持的文件类型: {suffix or '未知'}，支持: {', '.join(SUPPORTED_EXTENSIONS)}",
    )

    log.info(f"开始提取简历文本: {filename}，类型: {suffix}")
    text = await _PARSERS[suffix](content)
    log.info(f"简历文本提取完成: {filename}，字符数: {len(text)}")
    return text