"""译文文本清洗工具。

应用场景:
- LLM 翻译时偶尔把 markdown 标记(加粗 `**`、`*`、`***`)原样带进译文里,
  前端展示出来就成了 `**FBI**局长` 这种带星号的脏数据。
- enrichment 阶段也会把 `**` 带到 `body_zh_formatted` / `summary_zh`。

提供两个核心函数:
- `clean_markdown_asterisks(text)`:清洗字符串里的 `*` / `**` / `***` 标记
- `clean_html_inner_text(html)`:BeautifulSoup 解析 HTML,只清洗文本节点,
  保留标签结构和内联 style

另附 `wrap_html(text)`:把清洗后的 body_zh_text 包成简单 `<p>` HTML,
  之前在 pipeline.py 是私有 `_wrap_html`,提到此处供复用。

设计原则:
- 不引入额外依赖(只用 `re` + 项目已有的 `beautifulsoup4`)
- 对 None / 空串安全返回 None / 空串
- 处理顺序从长到短,避免 `**` 被 `*` 先吃掉
- 反复循环直到稳定,应对 `**a****b**` 这种连续多对
- 兜底删除所有残留 `*`,保守但符合"去掉星号"的用户意图
"""
from __future__ import annotations

import re

from bs4 import BeautifulSoup


# === 核心清洗函数 ===

# ***text*** → text(粗+斜体)
_ASTERISK_TRIPLE_RE = re.compile(r"\*\*\*([^*]+?)\*\*\*")
# **text** → text(粗体)
_ASTERISK_DOUBLE_RE = re.compile(r"\*\*([^*]+?)\*\*")
# *text* → text(斜体,要求 text 不为空且不与 * 相邻,避免误伤 `*2*3*` 这种)
#   第一个负向回看 (?<!\*) 防止匹配 ** 中的 *
#   第二个 (?!\\*) 同理
#   [^*\s] 强制开头非空白非 *,避免匹配孤立 " * "
_ASTERISK_SINGLE_RE = re.compile(r"(?<!\*)\*([^*\s][^*]*?)\*(?!\*)")
# 兜底:删除所有残留的 * (单/双/多)
_ANY_ASTERISK_RE = re.compile(r"\*+")


def clean_markdown_asterisks(text: str | None) -> str | None:
    """清洗字符串里的 markdown 星号标记残留。

    处理顺序:
      1. `***text***` -> `text`
      2. `**text**`   -> `text`(循环直到稳定,处理 `**a****b**` 这种连续)
      3. `*text*`     -> `text`
      4. 兜底:残留的 `*` / `**` / `***` 一律删除(LLM 输出不严谨的脏数据)

    对 None / 空串安全返回原值。
    """
    if not text:
        return text

    # 1+2) 先把 *** / ** 多轮替换,直到稳定(处理嵌套/连续多对)
    prev: str | None = None
    while prev != text:
        prev = text
        text = _ASTERISK_TRIPLE_RE.sub(r"\1", text)
        text = _ASTERISK_DOUBLE_RE.sub(r"\1", text)

    # 3) 单星号斜体
    text = _ASTERISK_SINGLE_RE.sub(r"\1", text)

    # 4) 兜底:删掉所有零散 *
    text = _ANY_ASTERISK_RE.sub("", text)

    return text


def clean_html_inner_text(html: str | None) -> str | None:
    """清洗 HTML 内的文本节点(保留标签结构和属性)。

    用途:`body_zh_formatted` 这种由 LLM 排版产物 ——
    不能整个重新生成(会丢 `diary-para` class 和内联 style),
    只能用 BeautifulSoup 找到所有文本节点单独清洗。

    对 None / 空串安全返回原值。
    """
    if not html:
        return html
    soup = BeautifulSoup(html, "html.parser")
    changed = False
    for node in list(soup.find_all(string=True)):
        # 跳过纯空白文本节点
        original = str(node)
        if not original or not original.strip():
            continue
        cleaned = clean_markdown_asterisks(original)
        if cleaned != original:
            node.replace_with(cleaned)
            changed = True
    return str(soup) if changed else html


# === 公开版 wrap_html(原 pipeline._wrap_html,提到此处供脚本复用)===

def wrap_html(text: str | None) -> str | None:
    """把清洗后的译文纯文本包成简单的 `<p>` 段落 HTML。

    内部会自动调用 `clean_markdown_asterisks` 清洗 `**` / `*` / `***`,
    调用方无需"先清洗再 wrap"——这是幂等的,即使输入已清洗也是 no-op。

    行为:
    - 按 `\n\n` 切段,空段过滤
    - 每段包 `<p>...</p>`
    - 段落之间用 `\n` 拼接

    对 None / 空串返回 None。
    """
    if not text:
        return None
    cleaned = clean_markdown_asterisks(text)
    if not cleaned:
        return None
    parts = [f"<p>{p.strip()}</p>" for p in cleaned.split("\n\n") if p.strip()]
    return "\n".join(parts) if parts else None