import logging
import re

from bs4 import BeautifulSoup

from components.parser.abbreviations import AbbreviationExtractor
from components.parser.xml.structures import ParsedText

logger = logging.getLogger(__name__)


class XMLTextParser:
    """
    Класс для парсинга текста из xml файлов.
    """

    def __init__(self, soup: BeautifulSoup):
        """
        Инициализация парсера.

        Args:
            soup: BeautifulSoup - суп, содержащий весь xml документ
        """
        self.soup = soup
        self.abbreviation_extractor = AbbreviationExtractor()
        self.abbreviations = []

    def parse(self) -> ParsedText:
        """
        Парсинг текстовой информации из xml файла.

        Returns:
            ParsedText - структура с текстом, полученным из xml файла
        """
        parsed_text = self._extract_text()
        
        # Извлекаем аббревиатуры из текста
        if parsed_text and parsed_text.content:
            text_content = parsed_text.to_text()
            self.abbreviations = self.abbreviation_extractor.extract_abbreviations_from_text(text_content)
            logger.debug(f"Extracted {len(self.abbreviations)} abbreviations from text")
            
        return parsed_text
        
    def get_abbreviations(self) -> list:
        """
        Возвращает список аббревиатур, извлеченных из текста.
        
        Returns:
            list: Список аббревиатур
        """
        return self.abbreviations

    def _extract_text(self) -> ParsedText:
        """
        Извлечение и очистка текста из XML.

        Returns:
            ParsedText - структура, содержащая очищенный текст
        """
        # Удаляем все таблицы
        for table in self.soup.find_all('w:tbl'):
            table.decompose()

        # Удаляем бинарные данные
        for bindata in self.soup.find_all('w:bindata'):
            bindata.decompose()

        # Удаляем элементы v:shape (изображения)
        for shape in self.soup.find_all('v:shape'):
            shape.decompose()

        # Удаляем заголовки документа
        doc_props = self.soup.find('o:documentproperties')
        if doc_props:
            doc_props.decompose()

        # Извлекаем абзацы (теги w:p)
        paragraphs = []
        for p_tag in self.soup.find_all('w:p'):
            # Собираем все текстовые элементы в этом абзаце
            paragraph_text_elements = []
            for text_tag in p_tag.find_all('w:t'):
                content = text_tag.get_text()
                
                # Пропускаем специальные элементы в фигурных скобках
                if content and '{' in content and '}' in content:
                    if '{КСС}' in content or content.startswith('{СС_'):
                        continue
                
                if content:
                    paragraph_text_elements.append(content)
            
            if paragraph_text_elements:
                # Объединяем текст этого абзаца
                paragraph_text = ' '.join(paragraph_text_elements)
                
                # Очистка текста абзаца
                paragraph_text = paragraph_text.replace('&', '&')
                paragraph_text = paragraph_text.replace('&lt;', '<')
                paragraph_text = paragraph_text.replace('&gt;', '>')
                paragraph_text = paragraph_text.replace('MS-Word', '')
                paragraph_text = paragraph_text.replace('См. документ в ', '')
                paragraph_text = paragraph_text.replace(
                    '------------------------------------------------------------------', ''
                )
                
                # Удаление фигурных скобок и их содержимого
                paragraph_text = re.sub(
                    r'\{[\.\,\#\:\=A-Za-zа-яА-Я\d\/\s\"\-\/\?\%\_\.\&\$]+\}', '', paragraph_text
                )
                
                # Форматирование текста абзаца
                paragraph_text = re.sub(r'[\t ]+', ' ', paragraph_text)
                paragraph_text = paragraph_text.strip()
                
                if paragraph_text:  # Добавляем только непустые абзацы
                    paragraphs.append(paragraph_text)

        return ParsedText(content=paragraphs)