"""Extraction de texte et de mots depuis les PDFs via pdfplumber.

pdfplumber est une bibliothèque Python pure : aucune dépendance système
(contrairement à l'ancien `pdftotext`/poppler), ce qui permet d'empaqueter
l'application en exécutable autonome (Windows notamment).
"""

from dataclasses import dataclass, field

import pdfplumber


@dataclass
class PdfContent:
    """Contenu extrait d'un PDF.

    Attributes:
        text: Texte de toutes les pages avec mise en page préservée
            (équivalent de `pdftotext -layout`). Consommé par les parseurs
            opérations et locataires.
        words: Mots de la première page avec leurs coordonnées
            (``text``, ``x0``, ``x1``, ``top``, ``bottom``). Utilisé par le
            parseur de métadonnées pour les champs d'en-tête multi-colonnes
            où l'alignement par espaces n'est pas fiable.
    """

    text: str
    words: list[dict] = field(default_factory=list)


def read_pdf(pdf_path: str) -> PdfContent:
    """Lit un PDF et retourne son texte (layout) et les mots de l'en-tête.

    Args:
        pdf_path: Chemin vers le fichier PDF

    Returns:
        Un objet :class:`PdfContent`.
    """
    text_parts: list[str] = []
    header_words: list[dict] = []

    with pdfplumber.open(pdf_path) as pdf:
        for page_index, page in enumerate(pdf.pages):
            text_parts.append(page.extract_text(layout=True) or "")
            # Les métadonnées se trouvent uniquement sur la première page.
            if page_index == 0:
                header_words = [
                    {
                        "text": w["text"],
                        "x0": w["x0"],
                        "x1": w["x1"],
                        "top": w["top"],
                        "bottom": w["bottom"],
                    }
                    for w in page.extract_words()
                ]

    return PdfContent(text="\n".join(text_parts), words=header_words)


def extract_text_from_pdf(pdf_path: str) -> str:
    """Extrait le texte du PDF avec mise en page préservée.

    Conserve la signature historique (retourne une chaîne) pour la CLI et
    les parseurs qui ne consomment que le texte.

    Args:
        pdf_path: Chemin vers le fichier PDF

    Returns:
        Texte extrait du PDF avec mise en page préservée
    """
    return read_pdf(pdf_path).text