package pdf

import (
	"html"
	"regexp"
	"strings"
)

// TextProcessor 文本处理器
type TextProcessor struct{}

// NewTextProcessor 创建文本处理器
func NewTextProcessor() *TextProcessor {
	return &TextProcessor{}
}

// CleanText 清理文本中的无效字符和乱码
func (tp *TextProcessor) CleanText(text string) string {
	// 先解码HTML实体
	text = html.UnescapeString(text)

	// 移除或替换无效的UTF-8字符
	var result strings.Builder
	for _, r := range text {
		// 保留：中文字符、英文字母、数字、常见标点符号、空格、换行符等
		if (r >= 0x4E00 && r <= 0x9FFF) || // 中文字符范围
			(r >= 0x3400 && r <= 0x4DBF) || // 扩展A
			(r >= 0x20000 && r <= 0x2A6DF) || // 扩展B
			(r >= 'A' && r <= 'Z') || // 大写字母
			(r >= 'a' && r <= 'z') || // 小写字母
			(r >= '0' && r <= '9') || // 数字
			(r >= 0x0020 && r <= 0x007E) || // ASCII可打印字符
			(r == '\n' || r == '\r' || r == '\t') || // 换行和制表符
			(r >= 0x3000 && r <= 0x303F) || // CJK符号和标点
			(r >= 0xFF00 && r <= 0xFFEF) { // 全角字符
			result.WriteRune(r)
		} else if r > 0x007F && r < 0x00A0 {
			// 无效的控制字符，替换为空格
			result.WriteRune(' ')
		}
		// 其他字符（如乱码）直接跳过
	}

	return result.String()
}

// CleanTextPreservingMarkdown 清理文本但保留markdown语法字符
func (tp *TextProcessor) CleanTextPreservingMarkdown(text string) string {
	// 先解码HTML实体
	text = html.UnescapeString(text)

	// 移除或替换无效的UTF-8字符，但保留markdown语法字符
	var result strings.Builder
	for _, r := range text {
		// 保留：中文字符、英文字母、数字、常见标点符号、空格、换行符等
		// 特别保留markdown语法字符：* _ ` [ ] ( ) # - | : !
		if (r >= 0x4E00 && r <= 0x9FFF) || // 中文字符范围
			(r >= 0x3400 && r <= 0x4DBF) || // 扩展A
			(r >= 0x20000 && r <= 0x2A6DF) || // 扩展B
			(r >= 'A' && r <= 'Z') || // 大写字母
			(r >= 'a' && r <= 'z') || // 小写字母
			(r >= '0' && r <= '9') || // 数字
			(r >= 0x0020 && r <= 0x007E) || // ASCII可打印字符（包括markdown语法字符）
			(r == '\n' || r == '\r' || r == '\t') || // 换行和制表符
			(r >= 0x3000 && r <= 0x303F) || // CJK符号和标点
			(r >= 0xFF00 && r <= 0xFFEF) { // 全角字符
			result.WriteRune(r)
		} else if r > 0x007F && r < 0x00A0 {
			// 无效的控制字符，替换为空格
			result.WriteRune(' ')
		}
		// 其他字符（如乱码）直接跳过
	}

	return result.String()
}

// StripHTML 去除HTML标签（不转换换行，直接移除标签）
func (tp *TextProcessor) StripHTML(text string) string {
	// 解码HTML实体
	text = html.UnescapeString(text)

	// 直接移除所有HTML标签，不进行换行转换
	re := regexp.MustCompile(`<[^>]+>`)
	text = re.ReplaceAllString(text, "")

	// 清理多余空白
	text = strings.TrimSpace(text)

	return text
}

// RemoveMarkdownSyntax 移除markdown语法，保留纯文本
func (tp *TextProcessor) RemoveMarkdownSyntax(text string) string {
	// 移除粗体标记 **text** 或 __text__
	text = regexp.MustCompile(`\*\*([^*]+)\*\*`).ReplaceAllString(text, "$1")
	text = regexp.MustCompile(`__([^_]+)__`).ReplaceAllString(text, "$1")

	// 移除斜体标记 *text* 或 _text_
	text = regexp.MustCompile(`\*([^*]+)\*`).ReplaceAllString(text, "$1")
	text = regexp.MustCompile(`_([^_]+)_`).ReplaceAllString(text, "$1")

	// 移除代码标记 `code`
	text = regexp.MustCompile("`([^`]+)`").ReplaceAllString(text, "$1")

	// 移除链接标记 [text](url) -> text
	text = regexp.MustCompile(`\[([^\]]+)\]\([^\)]+\)`).ReplaceAllString(text, "$1")

	// 移除图片标记 ![alt](url) -> alt
	text = regexp.MustCompile(`!\[([^\]]*)\]\([^\)]+\)`).ReplaceAllString(text, "$1")

	// 移除标题标记 # text -> text
	text = regexp.MustCompile(`^#{1,6}\s+(.+)$`).ReplaceAllString(text, "$1")

	return text
}

// RemoveNonASCII 移除非ASCII字符（保留ASCII字符和常见符号）
func (tp *TextProcessor) RemoveNonASCII(text string) string {
	var result strings.Builder
	for _, r := range text {
		// 保留ASCII字符（0-127）
		if r < 128 {
			result.WriteRune(r)
		} else {
			// 中文字符替换为空格或跳过
			result.WriteRune(' ')
		}
	}
	return result.String()
}