"""HTML 文件解析器，使用 bs4 + html2text 将 HTML 转换为 Markdown"""

import os
from typing import List, Optional

from bs4 import BeautifulSoup
from charset_normalizer import detect
import html2text

from exceptions import ParseError
from parsers.base import BaseParser


class HtmlParser(BaseParser):
    """HTML 文件解析器，去除脚本和样式，转换为 Markdown 格式"""

    def supported_extensions(self) -> List[str]:
        return [".html", ".htm"]

    def parse(self, file_path: str) -> str:
        """
        解析 HTML 文件，自动检测编码，去除 script/style 标签，转换为 Markdown。

        参考 MaxKB HTMLSplitHandle.get_content() 核心逻辑：
        读取文件字节 → 检测编码（优先 meta charset，回退 charset_normalizer）
        → 解码 → html2text 转 Markdown

        Args:
            file_path: 文件路径

        Returns:
            Markdown 格式的文本内容

        Raises:
            ParseError: 文件无法读取或编码检测失败时抛出
        """
        file_name = os.path.basename(file_path)

        try:
            with open(file_path, "rb") as f:
                buffer = f.read()
        except Exception as e:
            raise ParseError(file_name, f"文件读取失败: {e}")

        if len(buffer) == 0:
            return ""

        encoding = self._get_encoding(buffer, file_name)

        try:
            content = buffer.decode(encoding)
        except Exception as e:
            raise ParseError(file_name, f"编码解码失败 ({encoding}): {e}")

        converter = html2text.HTML2Text()
        converter.body_width = 0  # Don't wrap lines
        converter.ignore_images = False
        converter.ignore_links = False

        return converter.handle(content)

    @staticmethod
    def _get_encoding(buffer: bytes, file_name: str) -> str:
        """
        检测 HTML 文件编码。

        优先从 HTML meta charset 标签获取编码，回退到 charset_normalizer 自动检测。

        Args:
            buffer: 文件字节内容
            file_name: 文件名（用于错误信息）

        Returns:
            检测到的编码名称

        Raises:
            ParseError: 编码无法检测时抛出
        """
        # First try: extract charset from meta tags
        try:
            soup = BeautifulSoup(buffer, "html.parser")
            meta_list = soup.find_all("meta")
            for meta in meta_list:
                if meta.attrs and "charset" in meta.attrs:
                    return meta.attrs["charset"]
        except Exception:
            pass

        # Fallback: charset_normalizer
        result = detect(buffer)
        encoding = result.get("encoding") if result else None

        if encoding is None:
            raise ParseError(file_name, "无法检测文件编码")

        return encoding