import pdfplumber
import re
import os

########################################################
def extraer_texto_pdf(ruta_pdf):
    """Extrae todo el texto de un PDF usando pdfplumber."""
    texto_completo = ""
    try:
        with pdfplumber.open(ruta_pdf) as pdf:
            for page in pdf.pages:
                texto_completo += page.extract_text() + "\n"
        return texto_completo
    except Exception as e:
        print(f"      ⚠️ Error leyendo PDF {ruta_pdf}: {e}")
        return ""

########################################################
def extraer_ruc(texto):
    """Busca un RUC (11 dígitos, empieza con 10 o 20) en el texto."""
    # Intentamos buscar patrones de RUC: RUC 2060... o R.U.C. 2060...
    patrones = [
        r'R\.?U\.?C\.?\s*[:\-\s]\s*((?:10|20)\d{9})', # R.U.C: 20...
        r'\b((?:10|20)\d{9})\b'                      # 11 dígitos sueltos que empiecen con 10 o 20
    ]
    
    for patron in patrones:
        match = re.search(patron, texto, re.IGNORECASE)
        if match:
            return match.group(1)
    return "N/A"

########################################################
def extraer_tipo_documento(texto):
    """Identifica el tipo de documento SUNAT basándose en el texto usando regex multilínea."""
    t = texto.upper()
    
    patrones = {
        "01": [r'FACTURA\s+(ELECTR[OÓ]NICA|DE\s+VENTA)', r'FACTURA'],
        "03": [r'BOLETA\s+DE\s+VENTA', r'BOLETA\s+ELECTR[OÓ]NICA'],
        "07": [r'NOTA\s+DE\s+CR[EÉ]DITO'],
        "08": [r'NOTA\s+DE\s+D[EÉ]BITO'],
        "14": [r'RECIBO\s+POR\s+HONORARIOS'],
        "09": [r'GU[IÍ]A\s+DE\s+REMISI[OÓ]N']
    }
    
    for tipo, regex_list in patrones.items():
        for p in regex_list:
            if re.search(p, t, re.IGNORECASE | re.MULTILINE):
                return tipo
                
    return "99"

########################################################
def extraer_serie_numero(texto):
    """Busca la serie y número (ej. F001-123 o F001-0000123)."""
    # Patrón común: [FBE][A-Z0-9]{3}-\d+
    patron = re.search(r'\b([FBE][A-Z0-9]{3})\s*-\s*(\d+)\b', texto)
    if patron:
        return f"{patron.group(1)}-{patron.group(2)}"
    
    # Fallback para casos donde no hay guión o hay espacios raros
    patron_alt = re.search(r'([FBE][A-Z0-9]{3})\s+(\d{1,10})', texto)
    if patron_alt:
        return f"{patron_alt.group(1)}-{patron_alt.group(2)}"
        
    return "No encontrado"

########################################################
def obtener_datos_pdf(ruta_pdf):
    """Orquestador para extraer metadata de un PDF."""
    texto = extraer_texto_pdf(ruta_pdf)
    if not texto:
        return {"valido": False, "error": "No se pudo extraer texto"}

    return {
        "valido": True,
        "tipo_doc": extraer_tipo_documento(texto),
        "ruc": extraer_ruc(texto),
        "id": extraer_serie_numero(texto)
    }

########################################################