package kb

import (
	"archive/zip"
	"bytes"
	"encoding/xml"
	"fmt"
	"io"
	"strings"
)

// ========================================================================
//  DOCX 解析器：从 Word (.docx) 字节流抽取纯文本
//  ========================================================================
//  选型说明：
//   - docx 本质是 zip 包，正文全部在 word/document.xml 里，
//     用标准库 archive/zip + encoding/xml 流式解析即可，零第三方依赖
//   - 不用 unioffice（AGPL 许可证，商用需付费授权）
//   - 老版二进制 .doc 是 OLE 复合文档格式，纯 Go 解析成本极高，
//     明确不支持，提示用户用 Word 另存为 .docx
//  ========================================================================

// extractDocxText 抽取 docx 正文文本
//
// 解析规则（只认元素局部名，忽略 w: 命名空间前缀）：
//   <w:t>   文本节点，累加内容
//   <w:p>   段落结束时补双换行（配合 ChunkPlainText 按双换行切段）
//   <w:br>  手动换行 → \n
//   <w:tab> 制表符 → \t
//
// 表格（w:tbl）里的单元格内容也是 w:p 段落，天然会被上面的规则覆盖，
// 不需要单独处理表格结构
func extractDocxText(data []byte) (string, error) {
	zr, err := zip.NewReader(bytes.NewReader(data), int64(len(data)))
	if err != nil {
		return "", fmt.Errorf("kb: 打开 docx 失败（若为老版 .doc 请用 Word 另存为 .docx）: %w", err)
	}

	// 定位正文文件 word/document.xml
	var docFile *zip.File
	for _, f := range zr.File {
		if f.Name == "word/document.xml" {
			docFile = f
			break
		}
	}
	if docFile == nil {
		return "", fmt.Errorf("kb: docx 中找不到 word/document.xml，不是有效的 Word 文档")
	}

	rc, err := docFile.Open()
	if err != nil {
		return "", fmt.Errorf("kb: 读取 docx 正文失败: %w", err)
	}
	defer rc.Close()

	dec := xml.NewDecoder(rc)
	var sb strings.Builder
	inText := false // 是否处于 <w:t> 内部（只收集 w:t 里的字符，跳过样式等噪音）
	for {
		tok, terr := dec.Token()
		if terr == io.EOF {
			break
		}
		if terr != nil {
			return "", fmt.Errorf("kb: 解析 docx XML 失败: %w", terr)
		}
		switch t := tok.(type) {
		case xml.StartElement:
			switch t.Name.Local {
			case "t":
				inText = true
			case "br", "cr":
				sb.WriteString("\n")
			case "tab":
				sb.WriteString("\t")
			}
		case xml.EndElement:
			switch t.Name.Local {
			case "t":
				inText = false
			case "p":
				// 段落边界 → 空行，供 ChunkPlainText 按段落切分
				sb.WriteString("\n\n")
			}
		case xml.CharData:
			if inText {
				sb.Write(t)
			}
		}
	}
	return strings.TrimSpace(sb.String()), nil
}