"""PDF→Text-Konvertierung: pymupdf4llm primär, pdftotext-Fallback, mtime-Cache."""

import os
import time

import fitz  # PyMuPDF
import pytest

import blocks as blx


def _mini_pdf(path, text="Approximationsalgorithmen sind wichtig."):
    doc = fitz.open()
    page = doc.new_page()
    page.insert_text((72, 72), text, fontsize=12)
    doc.save(str(path))
    doc.close()


def test_convert_writes_markdown_txt(tmp_path):
    _mini_pdf(tmp_path / "skript.pdf")
    blx._convert_pdfs(tmp_path)
    out = (tmp_path / "skript.txt").read_text(encoding="utf-8")
    assert "Approximationsalgorithmen" in out


def test_cache_skips_fresh_txt(tmp_path):
    _mini_pdf(tmp_path / "a.pdf")
    (tmp_path / ".pdf-txt-norm").write_text(str(blx._PDF_NORM_VERSION), encoding="utf-8")
    marker = tmp_path / "a.txt"
    marker.write_text("MARKER", encoding="utf-8")
    now = time.time() + 60
    os.utime(marker, (now, now))
    blx._convert_pdfs(tmp_path)
    assert marker.read_text(encoding="utf-8") == "MARKER"  # nicht neu konvertiert


def test_norm_version_erzwingt_rekonvertierung(tmp_path, monkeypatch):
    """Fehlender/alter .pdf-txt-norm-Marker ignoriert den mtime-Cache einmalig."""
    _mini_pdf(tmp_path / "a.pdf")
    stale = tmp_path / "a.txt"
    stale.write_text("ALT", encoding="utf-8")
    now = time.time() + 60
    os.utime(stale, (now, now))
    monkeypatch.setattr(blx, "_pdf_markdown", lambda p: None)
    monkeypatch.setattr(blx, "_pdf_plaintext", lambda p: "neu konvertiert")
    blx._convert_pdfs(tmp_path)
    assert stale.read_text(encoding="utf-8") == "neu konvertiert"
    assert (tmp_path / ".pdf-txt-norm").read_text(encoding="utf-8") == str(blx._PDF_NORM_VERSION)
    stale.write_text("BLEIBT", encoding="utf-8")
    os.utime(stale, (now, now))
    blx._convert_pdfs(tmp_path)  # Marker aktuell → Cache greift wieder
    assert stale.read_text(encoding="utf-8") == "BLEIBT"


def test_entzerre_pdf_woerter():
    """Small-Caps-Splits mergen; Variablen-Schutzfall und unbelegte Paare bleiben."""
    # Regel A inkl. Kette
    assert blx._entzerre_pdf_woerter("Das H ITTING S ET Problem") == "Das HITTING SET Problem"
    assert blx._entzerre_pdf_woerter("V ERTEX C OVER ist schwer") == "VERTEX COVER ist schwer"
    # Schutzfall: Großlauf klein fortgesetzt → L ist Variable
    assert blx._entzerre_pdf_woerter("die Sprache L NP-vollständig ist") == "die Sprache L NP-vollständig ist"
    # Regel B: Paar nur mit Frequenz-Beleg (≥3× ungespalten im Dokument)
    belegt = "N P ist zentral. " + "NP NP NP."
    assert blx._entzerre_pdf_woerter(belegt).startswith("NP ist zentral.")
    assert blx._entzerre_pdf_woerter("C Y bleibt getrennt") == "C Y bleibt getrennt"
    # kein Match mitten im Wort
    assert blx._entzerre_pdf_woerter("HALTTM IST hier") == "HALTTM IST hier"


def test_fallback_to_pdftotext(tmp_path, monkeypatch):
    _mini_pdf(tmp_path / "b.pdf")
    monkeypatch.setattr(blx, "_pdf_markdown", lambda p: None)
    monkeypatch.setattr(blx, "_pdf_plaintext", lambda p: "fallback")
    blx._convert_pdfs(tmp_path)
    assert (tmp_path / "b.txt").read_text(encoding="utf-8") == "fallback"


def test_ocr_languages_from_tessdata(tmp_path, monkeypatch):
    import pymupdf

    monkeypatch.setattr(pymupdf, "get_tessdata", lambda: str(tmp_path))
    assert blx._ocr_languages() is None  # keine Sprachdaten → OCR aus
    (tmp_path / "eng.traineddata").touch()
    assert blx._ocr_languages() == "eng"
    (tmp_path / "deu.traineddata").touch()
    assert blx._ocr_languages() == "deu+eng"
    monkeypatch.setattr(pymupdf, "get_tessdata", lambda: (_ for _ in ()).throw(RuntimeError()))
    assert blx._ocr_languages() is None


def test_fidelity_guard_prefers_faithful_plaintext():
    plain = "Definition. P = {L ⊆ Σ | A ∈ L} und ≤ sowie häufig über. " * 20
    # Markdown verlor die Formeln (Symbole weg) → plain gewinnt
    md_lossy = "Definition. und sowie h¨aufig ¨uber. " * 20
    text, tool = blx._pick_conversion(md_lossy, plain)
    assert tool == "pdftotext"
    # Markdown treu (Symbole + Länge da) → md gewinnt
    md_ok = "# Def\n" + plain
    text, tool = blx._pick_conversion(md_ok, plain)
    assert tool == "pymupdf4llm"
    # nur eine Quelle verfügbar
    assert blx._pick_conversion(None, plain)[1] == "pdftotext"
    assert blx._pick_conversion(md_ok, None)[1] == "pymupdf4llm"
    assert blx._pick_conversion(None, None) is None


def test_entzerre_hyphen_space():
    """Regel C: GROSSLAUF + Leerzeichen vor Bindestrich-Kompositum („NP -vollständig",
    Makro-Spacing) wird gemerged; echter Gedankenstrich („X - y") bleibt."""
    assert blx._entzerre_pdf_woerter("die NP -vollständigkeit gilt") == "die NP-vollständigkeit gilt"
    assert blx._entzerre_pdf_woerter("Begriffe der NP -schwere und NP -vollständigkeit") == \
        "Begriffe der NP-schwere und NP-vollständigkeit"
    assert blx._entzerre_pdf_woerter("Term X - y bleibt") == "Term X - y bleibt"
    assert blx._entzerre_pdf_woerter("Liste:\n-punkt eins") == "Liste:\n-punkt eins"