<?php
/**
 * Utility class for advanced text processing and elastic search.
 */

if ( ! defined( 'ABSPATH' ) ) {
    exit;
}

class AILM_Text_Processor {

    /**
     * Очищает технический мусор, оставляя структурный HTML и шорткоды.
     */
    public static function pre_clean_html( $html ) {
        // Удаляем скрипты и стили
        $html = preg_replace( '@<(script|style)[^>]*?>.*?</\\1>@si', '', $html );
        // Удаляем HTML-комментарии (разметка Gutenberg)
        $html = preg_replace( '@<!--.*?-->@s', '', $html );
        
        return $html;
    }

    /**
     * Собирает гибкий регулярный паттерн из искомой фразы.
     */
    public static function build_elastic_pattern( $phrase ) {
        // Разбиваем фразу на слова, игнорируя всё, кроме букв и цифр (поддержка Юникода)
        $words = preg_split('/[^\p{L}\p{N}]+/u', wp_unslash($phrase), -1, PREG_SPLIT_NO_EMPTY);
        
        if ( empty( $words ) ) {
            return false;
        }

        // Прослойка: разрешает HTML-теги, сущности (&nbsp;), пробелы и любую пунктуацию/спецсимволы
        $separator = '(?:<[^>]+>|&\w+;|&#\d+;|[^\p{L}\p{N}])+';
        
        $escaped_words = array_map(function($word) {
            return preg_quote($word, '/');
        }, $words);

        $pattern = '/' . implode($separator, $escaped_words) . '/iu';
        return $pattern;
    }

    /**
     * Ищет фразу в сыром HTML и возвращает её вместе с окружающим контекстом (очищенным для ИИ).
     */
    public static function find_context( $html, $phrase, $context_length = 200 ) {
        $clean_html = self::pre_clean_html( $html );
        $pattern = self::build_elastic_pattern( $phrase );

        if ( ! $pattern ) {
            return false;
        }

        if ( preg_match( $pattern, $clean_html, $matches, PREG_OFFSET_CAPTURE ) ) {
            $match_text = $matches[0][0];
            $match_pos = $matches[0][1];

            // Захватываем найденный кусок + по 200 символов слева и справа для контекста
            $start = max( 0, $match_pos - $context_length );
            $length = strlen( $match_text ) + ( $context_length * 2 );
            $context_raw = substr( $clean_html, $start, $length );

            // Add spaces after block tags to avoid word concatenation before stripping tags
            $context_raw = preg_replace('/<\/(p|li|ul|ol|blockquote|h[1-6])>/i', '$0 ', $context_raw);

            // Очищаем результат для отправки в OpenAI (убираем теги, декодируем сущности)
            $context_clean = wp_strip_all_tags( $context_raw );
            $context_clean = html_entity_decode( $context_clean, ENT_QUOTES | ENT_HTML5, 'UTF-8' );
            
            // Схлопываем множественные пробелы и переносы строк в один
            $context_clean = preg_replace( '/\s+/u', ' ', $context_clean );
            
            return trim( $context_clean );
        }

        return false;
    }
}