"""Validazione PDF e estrazione metadati tramite fitz."""
import re
from pathlib import Path


def validate_pdf(pdf_path: Path) -> tuple[bool, str]:
    """Verifica esistenza, leggibilità e presenza di testo digitale estraibile."""
    if not pdf_path.exists():
        return False, f"File non trovato: {pdf_path}"
    if pdf_path.suffix.lower() != ".pdf":
        return False, f"Non è un PDF: {pdf_path.name}"
    size = pdf_path.stat().st_size
    if size == 0:
        return False, "File vuoto"
    if size < 1024:
        return False, f"File troppo piccolo ({size} byte) — probabilmente corrotto"

    try:
        import pdfplumber
        with pdfplumber.open(pdf_path) as pdf:
            n_pages = len(pdf.pages)
            if n_pages == 0:
                return False, "PDF senza pagine"
            sample = min(5, n_pages)
            pages_with_text = sum(
                1 for i in range(sample)
                if len((pdf.pages[i].extract_text() or "").strip()) > 50
            )
            if pages_with_text == 0:
                extended = min(15, n_pages)
                if extended > sample:
                    ext_with_text = sum(
                        1 for i in range(sample, extended)
                        if len((pdf.pages[i].extract_text() or "").strip()) > 50
                    )
                    if ext_with_text > 0:
                        return True, (
                            f"{n_pages} pagine — prime {sample} vuote, "
                            f"testo trovato in pagine successive "
                            f"(possibile copertina immagine)"
                        )
                return False, (
                    f"Nessun testo nelle prime {extended} pagine "
                    f"— probabilmente scansionato (OCR non supportato)"
                )
        return True, f"{n_pages} pagine, testo digitale confermato"
    except MemoryError:
        return False, "Memoria esaurita durante l'apertura del PDF"
    except Exception as e:
        msg = str(e).lower()
        if "password" in msg or "encrypted" in msg:
            return False, "PDF protetto da password"
        return False, f"Impossibile aprire: {e}"


def extract_metadata(pdf_path: Path) -> dict:
    """
    Estrae title, author, year e page count dal PDF tramite fitz.
    Restituisce un dict con chiavi sempre presenti (stringa vuota se assenti).
    """
    try:
        import fitz
        doc  = fitz.open(str(pdf_path))
        meta = doc.metadata
        pages = len(doc)
        doc.close()

        year = ""
        creation = meta.get("creationDate", "")
        m = re.match(r"D:(\d{4})", creation)
        if m:
            year = m.group(1)

        return {
            "source": pdf_path.name,
            "title":  (meta.get("title")  or "").strip(),
            "author": (meta.get("author") or "").strip(),
            "year":   year,
            "pages":  pages,
        }
    except Exception:
        return {"source": pdf_path.name, "title": "", "author": "", "year": "", "pages": 0}