from pathlib import Path
from typing import List, Tuple, Iterable
from docx import Document
from openpyxl import load_workbook
from pptx import Presentation
from pypdf import PdfReader

CHUNK_SIZE = 100

# テキスト抽出関数

def read_docx(path: Path) -> List[str]:
  """Word文書からテキストを抽出する"""
  with path.open() as f:
    doc = Document(f.name)
    return [p.text for p in doc.paragraphs]

def read_pptx(path: Path) -> List[str]:
  """PowerPoint文書からテキストを抽出する"""
  texts = []
  with path.open() as f:
    psn = Presentation(f.name)
    for sld in psn.slides:
      for shape in sld.shapes:
        # テキストフレームを持つシェイプのみを対象とする
        if shape.has_text_frame:
          texts.append(shape.text)
  return texts

def read_xlsx(path: Path) -> List[str]:
  """Excel文書からテキストを抽出する"""
  # data_only=Trueにすることで、数式ではなく計算後の値を抽出する
  wb = load_workbook(path, data_only=True)
  rows = []
  for sheet in wb:
    for row in sheet.iter_rows(values_only=True):
      # Noneを除外してカンマ区切りのテキストに変換
      row_str = ",".join(str(cell) for cell in row if cell is not None)
      if row_str:
        rows.append(row_str)
  return rows

def read_pdf(path: Path) -> List[str]:
  """PDF文書からテキストを抽出する"""
  reader = PdfReader(path)
  lines = []
  for page in reader.pages:
    text = page.extract_text()
    if text:
      # ページ内のテキストを改行で分割してリストに追加
      lines.extend(text.splitlines())
  return lines

def read_text(path: Path) -> List[str]:
  """
  テキストファイルから内容を読み込む
  UTF-8で失敗した場合は、Windowsで一般的なCP932（Shift-JIS）を試行する
  """
  for encoding in ["utf-8", "cp932"]:
    try:
      return path.read_text(encoding=encoding).splitlines()
    except UnicodeDecodeError:
      # 指定したエンコーディングで読み込めなかった場合は次の候補へ
      continue
  return []

# チャンク作成関数
def make_chunks(lines: Iterable[str], filename: str) -> List[Tuple[str, str]]:
  """
  抽出した文字列のリストを結合してチャンク（塊）に分割する
  
  Returns:
    List[Tuple[str, str]]: (チャンク内容, 元ファイル名) のタプルのリスト
  """
  chunks = []
  buffer = []
  current_len = 0

  for line in lines:
    if not line: 
      continue   # 空行は無視して効率化
    
    buffer.append(line)
    current_len += len(line)
    
    # 設定した最大文字数を超えたタイミングでチャンクとして確定させる
    if current_len > CHUNK_SIZE:
      chunks.append(("\n".join(buffer), filename))
      buffer = []
      current_len = 0
      
  # 最後にバッファに残ったテキストがあれば追加する
  if buffer:
    chunks.append(("\n".join(buffer), filename))
    
  return chunks

# 拡張子とそれに対応する抽出関数のマッピング
READERS_MAP = {
  ".docx": read_docx,   # Word文書
  ".pptx": read_pptx,   # PowerPoint文書
  ".xlsx": read_xlsx,   # Excel文書
  ".pdf": read_pdf,     # PDF文書
  ".txt": read_text,    # テキストファイル
  ".md": read_text,     # テキストファイル
  ".log": read_text,    # テキストファイル
}

def do_read(filepath: Path) -> List[Tuple[str, str]]:
  """
  ファイルの拡張子を判別し、適切なテキスト抽出関数を呼び出して
  最終的にチャンク化されたテキストを返す
  """
  suffix = filepath.suffix.lower()
  
  if suffix in READERS_MAP:
    reader_func = READERS_MAP[suffix]
    lines = reader_func(filepath)
  else:
    # 未対応の拡張子の場合は空リストを返す
    return []

  # 抽出した全テキストをチャンク作成関数に渡し
  # (内容, ファイル名)の形式に整える
  return make_chunks(lines, filepath.name)

# メイン処理
def main():
  import sys
  # コマンドライン引数からファイル名を取得
  if len(sys.argv) <= 1:
    print("使用法: python readfiles.py <filename>")
    print("例: python readfiles.py sample.pdf")
    return

  # dataフォルダー内を探す設定
  base_dir = Path(__file__).parent
  filepath = base_dir / "data" / sys.argv[1]
  
  if not filepath.exists():
    print(f"エラー: ファイルが見つかりません: {filepath}")
    return

  try:
    chunks = do_read(filepath)
    if not chunks:
      print("内容を取り出せませんでした（未対応形式か空ファイルです）")
      return

    # 結果の出力
    print(f"ファイル名：{chunks[0][1]}")
    for i, (content, _) in enumerate(chunks, 1):
      print(f"--- Chunk {i} ---\n{content}\n")
      
  except Exception as e:
    # 予期せぬエラー（ファイル破損や権限不足など）をキャッチ
    print(f"エラーが発生しました: {e}")

if __name__ == "__main__":
  main()
