MIN_CHARS = 200   # Menos de esto → PDF escaneado → OCR
OCR_DPI   = 300
OCR_LANG  = "spa"

def convertir_un_pdf(ruta_pdf, forzar_ocr=False):
    texto, metodo = "", "ninguno"

    if not forzar_ocr:
        texto, metodo = convertir_con_pymupdf(ruta_pdf)

    if len(texto) < MIN_CHARS:
        if metodo == "pymupdf":
            print(f"    ⚠ pymupdf extrajo {len(texto)} chars → OCR...")
        texto, metodo = convertir_con_ocr(ruta_pdf)

def convertir_con_pymupdf(ruta_pdf):
    if not PYMUPDF_OK:
        return "", "sin_pymupdf"
    try:
        texto = pymupdf4llm.to_markdown(ruta_pdf)
        texto = re.sub(r'<!--.*?-->', '', texto, flags=re.DOTALL).strip()
        return texto, "pymupdf"
    except Exception as e:
        return "", f"pymupdf_error:{e}"

def convertir_con_ocr(ruta_pdf):
    if not OCR_OK:
        return "", "sin_ocr"
    try:
        print(f"    📷 Convirtiendo a imágenes (DPI={OCR_DPI})...")
        paginas = convert_from_path(ruta_pdf, dpi=OCR_DPI)
        print(f"    📄 {len(paginas)} página(s)")
        partes = []
        for i, pagina in enumerate(paginas, 1):
            print(f"    🔍 OCR página {i}/{len(paginas)}...", end="\r")
            texto_pag = pytesseract.image_to_string(pagina, lang=OCR_LANG)
            texto_pag = limpiar_ocr(texto_pag)
            if texto_pag.strip():
                partes.append(f"\n\n<!-- Página {i} -->\n\n{texto_pag}")
        print()
        return "\n".join(partes).strip(), "ocr_tesseract"
    except Exception as e:
        return "", f"ocr_error:{e}"

def limpiar_ocr(texto):
    lineas = []
    for linea in texto.split('\n'):
        linea = linea.strip()
        # Skip lines with fewer than 3 valid characters
        if len(re.findall(r'[a-zA-ZáéíóúüñÁÉÍÓÚÜÑ0-9]', linea)) < 3:
            continue
        # Collapse excessive spaces
        lineas.append(re.sub(r' {3,}', '  ', linea))
    resultado = '\n'.join(lineas)
    # Limit consecutive newlines to 3
    return re.sub(r'\n{4,}', '\n\n\n', resultado)

MIN_CHARS = 200   # Threshold for OCR fallback
OCR_DPI   = 300   # Image resolution for OCR
OCR_LANG  = "spa" # Tesseract language (Spanish)

# ── .pdf: pymupdf4llm directo (preferido en Linux) ─────────
if suffix == ".pdf":
    ok_directo, md_o_err = convert_pdf_directo(source_path)
    if ok_directo:
        encabezado = f"# {folder_name}\n\n"
        md_path.write_text(encabezado + md_o_err, encoding="utf-8")
        return True, "PDF convertido a Markdown con pymupdf4llm."

    # Fallback: LibreOffice → .docx → python-docx
    print(f"     pymupdf4llm falló ({md_o_err[:60]}), intentando LibreOffice...")
    temp_dir = TEMP_DIR / f"{slugify_ascii(folder_name)}_{os.getpid()}"
    ok_lo, docx_path, msg_lo = convert_to_docx_via_libreoffice(source_path, temp_dir)
    if not ok_lo:
        _write_error_md(md_path, folder_name, source_path.name, msg_lo)
        return False, msg_lo
    ok, md_or_err = docx_to_markdown(docx_path, folder_name)
    if ok:
        md_path.write_text(md_or_err, encoding="utf-8")
        return True, "PDF convertido vía LibreOffice → .docx → Markdown."

if sys.platform == "win32":
    CARPETA_ENTRADA = r"C:\SIAA\pdfs_origen"
    CARPETA_SALIDA  = r"C:\SIAA\Documentos_MD"
else:
    CARPETA_ENTRADA = "/opt/siaa/pdfs_origen"
    CARPETA_SALIDA  = "/opt/siaa/fuentes/normativa"

fecha = datetime.datetime.now().strftime("%Y-%m-%d %H:%M")
metodo_str = "pymupdf4llm" if metodo == "pymupdf" else "OCR Tesseract"

if texto.strip():
    encabezado = f"<!-- Origen: {nombre_pdf} | Método: {metodo_str} | Convertido: {fecha} -->\n\n"
    md_final = encabezado + texto
    exito, icono = True, "✅"
else:
    md_final = (
        f"<!-- Origen: {nombre_pdf} | ERROR: Sin texto extraíble | {fecha} -->\n\n"
        f"**AVISO:** No fue posible extraer texto de este documento.\n"
    )
    exito, icono = False, "❌"

print(f"\n{'='*55}")
print(f"  ✅ pymupdf: {ok}  |  🔍 OCR: {ocr_count}  |  ❌ Error: {errores}")
print(f"  Recarga: curl http://localhost:5000/siaa/recargar")
print(f"{'='*55}")

def sanitizar_nombre(nombre):
    nombre = nombre.lower().replace(" ", "_")
    nombre = re.sub(r'[^\w\-.]', '_', nombre)
    return re.sub(r'_+', '_', nombre)

return {
    "nombre_md": nombre_md,
    "metodo": metodo,
    "chars": len(texto),
    "exito": exito
}