<?php
declare(strict_types=1);

/**
 * Texte brut d'un CV, pour l'envoyer à l'analyse automatique.
 * Renvoie null pour un PDF : l'API le lit directement.
 * @throws RuntimeException si le format ne se lit pas
 */
function texte_du_cv(string $chemin, string $extension): ?string
{
    $lireXml = static function (string $chemin, array $parties, array $finsDeBloc): string {
        $zip = new ZipArchive();
        if ($zip->open($chemin) !== true) {
            throw new RuntimeException(t('Le fichier est illisible ou endommagé.'));
        }
        $texte = '';
        // Parcours dans l'ordre des motifs : l'en-tête sort avant le corps, quel que soit l'ordre dans l'archive
        foreach ($parties as $motif) {
            for ($i = 0; $i < $zip->numFiles; $i++) {
                $nom = (string) $zip->getNameIndex($i);
                if (preg_match($motif, $nom)) {
                    $xml = (string) $zip->getFromIndex($i);
                    $xml = preg_replace('#<(w:tab|text:tab)\b[^>]*/>#', "\t", $xml) ?? $xml;
                    $xml = preg_replace('#<(w:br|w:cr|text:line-break)\b[^>]*/>#', "\n", $xml) ?? $xml;
                    $xml = preg_replace('#</(' . implode('|', $finsDeBloc) . ')>#', "\n", $xml) ?? $xml;
                    $texte .= html_entity_decode(strip_tags($xml), ENT_QUOTES | ENT_XML1, 'UTF-8') . "\n";
                }
            }
        }
        $zip->close();
        return $texte;
    };

    $texte = match ($extension) {
        'pdf'        => null,
        'md', 'txt'  => (string) file_get_contents($chemin),
        // L'en-tête et le pied de page portent souvent les coordonnées
        'docx'       => $lireXml($chemin, ['#^word/header\d*\.xml$#', '#^word/document\.xml$#', '#^word/footer\d*\.xml$#'], ['w:p']),
        'odt'        => $lireXml($chemin, ['#^content\.xml$#'], ['text:p', 'text:h']),
        default      => throw new RuntimeException(t('L\'analyse automatique lit les fichiers PDF, DOCX, ODT, MD et TXT. Convertissez ce fichier en PDF.')),
    };
    if ($texte === null) {
        return null;
    }
    if (!mb_check_encoding($texte, 'UTF-8')) {
        $texte = mb_convert_encoding($texte, 'UTF-8', 'Windows-1252');
    }
    $texte = trim(preg_replace("/\n{3,}/", "\n\n", preg_replace('/[ \t]+\n/', "\n", $texte) ?? $texte) ?? $texte);
    if (mb_strlen($texte) < 200) {
        throw new RuntimeException(t('Le fichier contient trop peu de texte. S\'il s\'agit d\'un document scanné, chargez-le en PDF.'));
    }
    return mb_substr($texte, 0, 150000);
}