#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""Cata previa de Maludocs: qué entendería la Biblioteca de un PDF, antes de subirlo.

Uso:
    python3 maludocs_cata.py "ruta/al/documento.pdf" [--todo]

Por página: la entidad detectada, cuántos hechos sacó y una muestra. Al final, lo que
conviene corregir en el documento antes de cargarlo (páginas sin texto, sin entidad,
sin hechos, y números sin unidad). Con --todo lista todos los hechos.
"""
import re
import sys
from pathlib import Path

sys.path.insert(0, str(Path(__file__).parent))
import fitz  # noqa: E402
import maludocs as indice  # noqa: E402  (solo usa hechos_de_pagina)


def _junta_espaciado(linea):
    grupos = re.split(r" {2,}", linea.strip())
    salida = []
    for grupo in grupos:
        trozos = grupo.split(" ")
        if (len(trozos) >= 3 and all(len(t) <= 2 for t in trozos)
                and sum(len(t) == 1 for t in trozos) >= 0.7 * len(trozos)):
            grupo = "".join(trozos)
        else:
            # «L A PREGUNTA» → «LA PREGUNTA», «0 2» → «02»: dos o más sueltos seguidos se juntan
            grupo = re.sub(r"\b(?:[A-Za-zÁÉÍÓÚÑ0-9] ){1,}[A-Za-zÁÉÍÓÚÑ0-9]\b(?! ?[x×] ?\d)",
                           lambda m: m.group(0).replace(" ", ""), grupo)
        salida.append(grupo)
    return "  ".join(salida)


def paginas_de(ruta):
    with fitz.open(ruta) as d:
        for p in d:
            lineas = [_junta_espaciado(l) for l in p.get_text().splitlines()]
            yield re.sub(r"\n{3,}", "\n\n", "\n".join(lineas)).strip()


def main():
    if len(sys.argv) < 2:
        print(__doc__)
        return 2
    ruta, todo = sys.argv[1], "--todo" in sys.argv
    avisos, total, debiles = [], 0, 0
    for n, texto in enumerate(paginas_de(ruta), 1):
        if len(texto) < 20:
            print(f"pág. {n}: SIN TEXTO (imagen o vacía)")
            avisos.append(f"pág. {n} no tiene texto: si es una lámina con datos, ponlos como texto, no como imagen")
            continue
        hechos, entidad, titulo = indice.hechos_de_pagina(texto, n)
        fuertes = [h for h in hechos if h["origen"] != "debil"]
        total += len(fuertes); debiles += len(hechos) - len(fuertes)
        print(f"pág. {n}: {entidad or '(sin entidad)'} · {len(fuertes)} hechos" + (f" · {len(hechos) - len(fuertes)} débiles" if len(hechos) > len(fuertes) else ""))
        for h in (hechos if todo else hechos[:5]):
            sec = f" [{h['seccion']}]" if h.get("seccion") else ""
            ent = f" — {h['entidad'][:50]}" if h["origen"] == "segmento" else ""
            deb = "  (débil: sin unidad, solo el modelo lo usará)" if h["origen"] == "debil" else ""
            print(f"      {h['etiqueta'][:40]}{sec}: {h['valor_txt'][:40]}{ent}{deb}")
        if not entidad:
            avisos.append(f"pág. {n} sin entidad clara: pon en la primera línea de qué producto o cosa habla")
        limpio = re.sub(r"\b(19|20)\d{2}\b|\bp[aá]gina \d+ de \d+|\b\d{1,2} de [a-z]+\b", " ", texto, flags=re.I)
        sueltos = [m.group(0) for m in re.finditer(r"\b\d+(?:[.,]\d+)?\b(?!\s*(?:%|kg|g|cm|mm|m3|m³|micras|mils|pulg|und|unid|unidades|u|l|lt|litros|soles|usd|de|x|×|·))", limpio)]
        if not fuertes and len(sueltos) >= 3:
            avisos.append(f"pág. {n} tiene números pero ningún dato reconocible: usa «Rótulo» y debajo «valor unidad», o «Rótulo: valor»")
        if len(sueltos) > 8 and len(hechos) < len(sueltos) / 4:
            avisos.append(f"pág. {n}: muchos números sin unidad ni rótulo ({len(sueltos)}); Maludocs solo confía en «rótulo → valor con unidad»")
    print(f"\n{total} hechos en total" + (f" · {debiles} débiles (se indexan, pero no se contestan por código)" if debiles else ""))
    if avisos:
        print("\nAntes de subirlo:")
        for a in avisos:
            print(" -", a)
    else:
        print("\nListo para cargar.")
    return 0


if __name__ == "__main__":
    sys.exit(main())