"""Диспетчер извлечения: путь к файлу → ParsedDocument.

Определяет формат, читает файл в сетки и прогоняет их через общий грид-экстрактор.
PDF с битым текстовым слоем помечается как scan_pdf — его добирает путь через Vision.
Любой сбой чтения логируется, но не роняет обработку остального архива.
"""

from __future__ import annotations

import os
import sys
from datetime import date
from pathlib import Path

sys.path.insert(0, str(Path(__file__).resolve().parents[2]))

from contracts.models import ParsedDocument  # noqa: E402
from etl.extractors import readers  # noqa: E402
from etl.extractors.grid import extract_rows_from_grid  # noqa: E402

# Порог «подозрительно мало строк на страницу» — ниже него PDF добираем через Vision.
_VISION_MIN_ROWS_PER_PAGE = 12
# Документы крупнее не отправляем в Vision (экономия времени и квоты).
_VISION_MAX_PAGES = 40


def extract(path: str, use_vision: bool = True) -> ParsedDocument:
    """Разобрать один файл прайса в структурированный ParsedDocument.

    use_vision=False отключает добор через Gemini Vision (быстрый прогон без
    обращений к API), даже если ключ задан.
    """
    name = Path(path).name
    fmt = readers.detect_format(path)
    doc = ParsedDocument(
        file_name=name, file_format=fmt, partner_name=readers.partner_from_name(name)
    )

    year = readers.year_from_name(name)
    if year:
        doc.effective_date = date(year, 1, 1)

    try:
        if fmt == "xlsx":
            grids, text = readers.xlsx_grids(path)
        elif fmt == "xls":
            grids, text = readers.xls_grids(path)
        elif fmt == "docx":
            grids, text = readers.docx_grids(path)
        elif fmt == "pdf":
            grids, text = readers.pdf_grids(path)
            if readers.is_garbled(text):
                doc.file_format = "scan_pdf"
                doc.parse_log.append("битый текстовый слой — требуется распознавание (Vision)")
        else:
            doc.parse_log.append(f"неизвестный формат: {fmt}")
            return doc
    except Exception as exc:  # noqa: BLE001 — сбой чтения логируем, конвейер не роняем
        doc.parse_log.append(f"ошибка чтения: {type(exc).__name__}: {exc}")
        return doc

    doc.raw_content = text[:200_000]
    for grid in grids:
        try:
            doc.rows.extend(extract_rows_from_grid(grid))
        except Exception as exc:  # noqa: BLE001
            doc.parse_log.append(f"ошибка разбора таблицы: {type(exc).__name__}: {exc}")

    # Трудные PDF добираем через Gemini Vision: скан, битый слой, нулевой или
    # подозрительно низкий выход строк (мисматч колонок на испорченной вёрстке).
    # Большие документы пропускаем ради экономии — это фиксируется в логе, не молча.
    if use_vision and fmt == "pdf" and os.environ.get("GEMINI_API_KEY"):
        pages = readers.pdf_page_count(path)
        low_yield = pages > 0 and len(doc.rows) < pages * _VISION_MIN_ROWS_PER_PAGE
        if doc.file_format == "scan_pdf" or not doc.rows or low_yield:
            if pages > _VISION_MAX_PAGES:
                doc.parse_log.append(
                    f"Vision пропущен: {pages} стр. больше лимита {_VISION_MAX_PAGES}"
                )
            else:
                try:
                    from etl.extractors.vision import extract_with_vision

                    vision_rows = extract_with_vision(path, max_pages=_VISION_MAX_PAGES)
                    if len(vision_rows) > len(doc.rows):
                        # Vision полнее нативного разбора — заменяем, а не дублируем.
                        doc.rows = vision_rows
                        doc.file_format = "scan_pdf"
                        doc.parse_log.append(f"Vision: {len(vision_rows)} позиций (заменил разбор)")
                    else:
                        doc.parse_log.append(
                            f"Vision: {len(vision_rows)} позиций — разбор не хуже, оставлен"
                        )
                except Exception as exc:  # noqa: BLE001
                    doc.parse_log.append(f"Vision не сработал: {type(exc).__name__}: {exc}")

    if not doc.rows:
        doc.parse_log.append("позиции не извлечены")
    return doc