package kb

import (
	"bytes"
	"fmt"
	"strings"

	"github.com/ledongthuc/pdf"
)

// ========================================================================
//  PDF 解析器：从 PDF 字节流抽取纯文本
//  ========================================================================
//  选型说明：
//   - 用 github.com/ledongthuc/pdf（rsc.io/pdf 的维护分支，纯 Go 无 CGO），
//     许可证 BSD，可商用；不引 unioffice/unipdf（AGPL 商用有坑）
//   - 只能抽「文字型 PDF」的文本；扫描版/图片型 PDF 没有文字层，
//     需要 OCR，超出本服务范围，由上层给出友好报错
//  ========================================================================

// extractPDFText 逐页抽取 PDF 文本，页与页之间用双换行分隔
//
// 为什么逐页而不是整本 GetPlainText：
//   页边界是天然的段落边界，配合 ChunkPlainText 按双换行切段，
//   能避免跨页内容被硬拼成一大段
//
// 为什么要 recover：
//   ledongthuc/pdf 遇到畸形/加密 PDF 时内部会直接 panic（继承自 rsc.io/pdf 的风格），
//   不兜底会把整个 HTTP 请求打崩
func extractPDFText(data []byte) (text string, err error) {
	defer func() {
		if r := recover(); r != nil {
			err = fmt.Errorf("kb: PDF 解析异常（文件可能损坏或加密）: %v", r)
		}
	}()

	reader, err := pdf.NewReader(bytes.NewReader(data), int64(len(data)))
	if err != nil {
		return "", fmt.Errorf("kb: 打开 PDF 失败: %w", err)
	}

	var sb strings.Builder
	totalPage := reader.NumPage()
	for i := 1; i <= totalPage; i++ {
		page := reader.Page(i)
		if page.V.IsNull() {
			continue
		}
		// 单页解析失败不中断整本导入（常见于个别页含特殊字体）
		pageText, perr := page.GetPlainText(nil)
		if perr != nil {
			continue
		}
		pageText = strings.TrimSpace(pageText)
		if pageText == "" {
			continue
		}
		sb.WriteString(pageText)
		sb.WriteString("\n\n")
	}
	return strings.TrimSpace(sb.String()), nil
}