import fs from 'node:fs/promises';
import path from 'node:path';
import { createRequire } from 'node:module';

const require = createRequire(import.meta.url);

/*
 * Text aus einem Lebenslauf holen.
 *
 * Unterstuetzt PDF, DOCX und reinen Text. Das alte .doc-Format (Word 97) bleibt
 * aussen vor: es braeuchte einen eigenen Parser, und wer eine solche Datei hat,
 * speichert sie in Sekunden als PDF.
 *
 * pdf-parse wird ueber den internen Pfad geladen. Der Paket-Einstieg fuehrt
 * beim Import eine Selbstprobe aus und sucht dafuer eine Testdatei, die im
 * npm-Paket nicht mitgeliefert wird - das laesst den Start scheitern.
 */
const pdfParse = require('pdf-parse/lib/pdf-parse.js');

/** Mehr Text braucht kein Modell, um einen Lebenslauf zu verstehen. */
const MAX_CHARS = 60_000;

export function isSupported(filename, mime = '') {
  const ext = path.extname(filename).toLowerCase();
  return (
    ['.pdf', '.docx', '.txt', '.md'].includes(ext) ||
    mime === 'application/pdf' ||
    mime === 'application/vnd.openxmlformats-officedocument.wordprocessingml.document' ||
    mime.startsWith('text/')
  );
}

/**
 * Liest die Datei und gibt ihren Text zurueck.
 *
 * @param {string} filePath absoluter Pfad
 * @param {string} originalName fuer die Endung
 */
export async function extractText(filePath, originalName) {
  const ext = path.extname(originalName || filePath).toLowerCase();

  if (ext === '.pdf') {
    const result = await pdfParse(await fs.readFile(filePath));
    return clean(result.text);
  }

  if (ext === '.docx') {
    // mammoth liefert den Fliesstext ohne Formatierung - genau das, was das
    // Modell braucht.
    const mammoth = require('mammoth');
    const result = await mammoth.extractRawText({ path: filePath });
    return clean(result.value);
  }

  if (ext === '.txt' || ext === '.md') {
    return clean(await fs.readFile(filePath, 'utf8'));
  }

  throw Object.assign(new Error('Dateityp wird nicht unterstützt (PDF, DOCX oder Text).'), {
    status: 400,
  });
}

/*
 * Aufraeumen: PDF-Auszuege enthalten viele harte Zeilenumbrueche und
 * Mehrfachleerzeichen aus dem Satzspiegel. Das kostet nur Token und erschwert
 * dem Modell das Lesen.
 */
function clean(text) {
  const result = String(text ?? '')
    .replace(/\r/g, '')
    .replace(/[ \t]+/g, ' ')
    .replace(/\n{3,}/g, '\n\n')
    .trim();

  if (result.length <= MAX_CHARS) return result;

  // Anfang und Ende behalten: vorn stehen Name und Kontaktdaten, hinten oft
  // Ausbildung und Zertifikate.
  const head = result.slice(0, Math.floor(MAX_CHARS * 0.7));
  const tail = result.slice(-Math.floor(MAX_CHARS * 0.3));
  return `${head}\n\n[… gekürzt …]\n\n${tail}`;
}