// src/main/services/rag/pdf-text.ts
// PDF 바이너리에서 텍스트를 뽑는다 — 순수 JS + zlib, 외부 의존 없음(RAGService에서 옮김, 동작 동일).
// FlateDecode 스트림을 풀고 BT...ET 블록 안의 Tj/TJ/' 연산자 문자열을 모은다.

import { inflateSync } from 'zlib'

const STREAM_MARKER_CRLF = 'stream\r\n'
const STREAM_MARKER_LF = 'stream\n'
const END_MARKER = 'endstream'

/** 텍스트 블록(BT...ET) 하나에서 문자열 조각을 모은다. */
export function extractTextOperators(content: string, textParts: string[]): void {
  const btRegex = /BT([\s\S]*?)ET/g
  let btMatch: RegExpExecArray | null = null
  while ((btMatch = btRegex.exec(content)) !== null) {
    const block = btMatch[1]

    // Tj: (text) Tj
    const tjRegex = /\(([^)]*)\)\s*Tj/g
    let tjMatch: RegExpExecArray | null = null
    while ((tjMatch = tjRegex.exec(block)) !== null) {
      if (tjMatch[1].trim()) textParts.push(tjMatch[1])
    }

    // TJ: [(text) num (text)] TJ
    const tjArrayRegex = /\[(.*?)\]\s*TJ/g
    let tjArrayMatch: RegExpExecArray | null = null
    while ((tjArrayMatch = tjArrayRegex.exec(block)) !== null) {
      const items = tjArrayMatch[1]
      const itemRegex = /\(([^)]*)\)/g
      let itemMatch: RegExpExecArray | null = null
      while ((itemMatch = itemRegex.exec(items)) !== null) {
        if (itemMatch[1].trim()) textParts.push(itemMatch[1])
      }
    }

    // ' 연산자: (text) '
    const quoteRegex = /\(([^)]*)\)\s*'/g
    let quoteMatch: RegExpExecArray | null = null
    while ((quoteMatch = quoteRegex.exec(block)) !== null) {
      if (quoteMatch[1].trim()) textParts.push(quoteMatch[1])
    }
  }
}

/** PDF 문자열 이스케이프를 풀고 표시할 수 없는 문자를 공백으로 정리한다. */
export function normalizePdfText(parts: readonly string[]): string {
  return parts
    .join(' ')
    .replace(/\\n/g, '\n')
    .replace(/\\r/g, '\r')
    .replace(/\\t/g, '\t')
    .replace(/\\\(/g, '(')
    .replace(/\\\)/g, ')')
    .replace(/\\\\/g, '\\')
    .replace(/[^\x20-\x7E\u00A0-\u00FF\u3000-\u9FFF\uAC00-\uD7AF\n]/g, ' ')
    .replace(/\s+/g, ' ')
    .trim()
}

/** PDF 바이너리에서 텍스트 추출. 읽을 텍스트가 없으면 빈 문자열. */
export function extractPdfText(buffer: Buffer): string {
  const raw = buffer.toString('binary')
  const textParts: string[] = []

  let pos = 0
  while (pos < raw.length) {
    let streamStart = raw.indexOf(STREAM_MARKER_CRLF, pos)
    let offset = STREAM_MARKER_CRLF.length
    if (streamStart === -1) {
      streamStart = raw.indexOf(STREAM_MARKER_LF, pos)
      offset = STREAM_MARKER_LF.length
    }
    if (streamStart === -1) break

    const dataStart = streamStart + offset
    const streamEnd = raw.indexOf(END_MARKER, dataStart)
    if (streamEnd === -1) break

    const streamData = Buffer.from(raw.slice(dataStart, streamEnd), 'binary')
    pos = streamEnd + END_MARKER.length

    let decoded: string
    try {
      decoded = inflateSync(streamData).toString('binary')
    } catch {
      // 압축 안 된 스트림
      decoded = streamData.toString('binary')
    }
    extractTextOperators(decoded, textParts)
  }

  return normalizePdfText(textParts)
}