package kb

import (
	"fmt"
	"regexp"
	"strings"

	"golang.org/x/net/html"
)

// ========================================================================
//  HTML 解析器：从 HTML 字节流抽取正文文本
//  ========================================================================
//  设计目标：
//   - 跳过 script/style/head/nav 等非正文节点，只留可读内容
//   - h1~h6 转成 markdown 井号标题，这样产出文本可以直接走 ChunkMarkdown，
//     按章节切分并把标题写进 chunk.title（检索时标题参与 FULLTEXT 加权）
//   - 依赖 golang.org/x/net/html（官方扩展库，本项目已有该依赖）
//  ========================================================================

// htmlSkipTags 整棵子树跳过的标签（非正文内容）
var htmlSkipTags = map[string]bool{
	"script": true, "style": true, "noscript": true, "head": true,
	"iframe": true, "svg": true, "template": true, "nav": true,
	"footer": true, "form": true, "button": true,
}

// htmlHeadingPrefix 标题标签 → markdown 前缀
// h4~h6 统一归到 ###（ChunkMarkdown 只识别到三级，再深的层级对分段没有意义）
var htmlHeadingPrefix = map[string]string{
	"h1": "# ", "h2": "## ", "h3": "### ",
	"h4": "### ", "h5": "### ", "h6": "### ",
}

// htmlBlockTags 块级标签：子树遍历结束后补换行，保持段落结构
var htmlBlockTags = map[string]bool{
	"p": true, "div": true, "section": true, "article": true,
	"ul": true, "ol": true, "table": true, "blockquote": true,
	"pre": true, "figcaption": true, "main": true, "header": true,
}

// 压缩连续 3 个以上换行为 2 个（保持「空行分段」语义又不产生大量空白）
var multiNewlineRe = regexp.MustCompile(`\n{3,}`)

// extractHTMLText 抽取 HTML 正文，返回带 markdown 标题标记的纯文本
//
// 返回文本交给 ChunkMarkdown 切分：h1~h3 成为章节边界 + chunk 标题
func extractHTMLText(data []byte) (string, error) {
	doc, err := html.Parse(strings.NewReader(decodeToUTF8(data)))
	if err != nil {
		return "", fmt.Errorf("kb: 解析 HTML 失败: %w", err)
	}

	var sb strings.Builder
	var walk func(n *html.Node)
	walk = func(n *html.Node) {
		if n.Type == html.ElementNode {
			tag := strings.ToLower(n.Data)
			if htmlSkipTags[tag] {
				return
			}
			// 标题：整行输出「# 标题文本」，前后空行隔开
			if prefix, ok := htmlHeadingPrefix[tag]; ok {
				headText := strings.TrimSpace(plainTextOf(n))
				if headText != "" {
					sb.WriteString("\n\n")
					sb.WriteString(prefix)
					sb.WriteString(headText)
					sb.WriteString("\n\n")
				}
				return
			}
			switch tag {
			case "br":
				sb.WriteString("\n")
			case "li":
				sb.WriteString("\n- ") // 列表项前置符号，保持可读性
			case "tr":
				sb.WriteString("\n")
			case "td", "th":
				sb.WriteString(" ") // 单元格之间留空格，避免不同列文字黏连
			}
		}
		if n.Type == html.TextNode {
			// HTML 源码缩进产生的纯空白文本节点直接丢弃
			txt := strings.TrimSpace(n.Data)
			if txt != "" {
				sb.WriteString(txt)
			}
		}
		for c := n.FirstChild; c != nil; c = c.NextSibling {
			walk(c)
		}
		// 块级元素结束 → 空行分段
		if n.Type == html.ElementNode && htmlBlockTags[strings.ToLower(n.Data)] {
			sb.WriteString("\n\n")
		}
	}
	walk(doc)

	text := multiNewlineRe.ReplaceAllString(sb.String(), "\n\n")
	return strings.TrimSpace(text), nil
}

// plainTextOf 收集节点子树内的纯文本（用于标题内容，不处理块级结构）
func plainTextOf(n *html.Node) string {
	var sb strings.Builder
	var walk func(node *html.Node)
	walk = func(node *html.Node) {
		if node.Type == html.TextNode {
			sb.WriteString(strings.TrimSpace(node.Data))
		}
		for c := node.FirstChild; c != nil; c = c.NextSibling {
			walk(c)
		}
	}
	walk(n)
	return sb.String()
}