import re
from typing import List, Dict,Tuple
import re
from typing import List, Tuple
def extract_repairproject_tables_html1(content: str) -> Tuple[List[str], str]:
    """
    提取所有维修表格，每个表格从特定表头开始，到下一个表头出现之前结束。
    支持两种表头格式（含或不含 rowspan/colspan属性）。
    
    :param content: 原始 HTML/文本内容
    :return: (tables: List[str], cleaned_content: str)
             - tables: 所有提取到的表格块
             - cleaned_content: 仅保留第一个表格块，其余已删除
    """
    
    # 定义表头的文本核心部分（不包含属性）
    base_header = '<table><tr><td>维修项目编号</td><td>组成编码</td><td>名称</td><td>维修项目</td><td>维修间隔期</td>'
    
    # 转义特殊字符，但为 rowspan/colspan 留出匹配空间
    # 我们需要匹配: <td> 或 <td rowspan=1 colspan=1> 或 <td colspan=1 rowspan=1> 等情况
    # 这里使用一个更灵活的正则：匹配 <td 后跟任意非 '>' 字符（非贪婪），直到 >
    # 这种写法比硬编码两种情况更健壮，能兼容属性顺序变化或额外空格
    escaped_base = re.escape('<table><tr>')
    
    # 构建针对每个单元格的正则片段
    # 匹配 "维修项目编号" 前的 <td...>
    cell_pattern = r'<td[^>]*>'
    header_pattern = (
        escaped_base +
        cell_pattern + re.escape('维修项目编号') + r'</td>' +
        cell_pattern + re.escape('组成编码') + r'</td>' +
        cell_pattern + re.escape('名称') + r'</td>' +
        cell_pattern + re.escape('维修项目') + r'</td>' +
        cell_pattern + re.escape('维修间隔期') + r'</td>'
    )
    
    # 编译正则，用于查找表格开始位置
    pattern = re.compile(header_pattern, re.DOTALL)
    matches = list(pattern.finditer(content))
    
    tables = []
    if not matches:
        return tables, content
    
    # 提取所有表格块
    for i, match in enumerate(matches):
        start_pos = match.start()
        
        # 确定结束位置：下一个表格的开始，或者文本末尾
        if i < len(matches) - 1:
            end_pos = matches[i + 1].start()
        else:
            end_pos = len(content)
        
        table_content = content[start_pos:end_pos]
        tables.append(table_content)
    
    # 构建 cleaned_content：只保留第一个表格块
    # 即截断到第二个表格开始的位置（如果有的话）
    if len(matches) > 1:
        cleaned_content = content[:matches[1].start()]
    else:
        cleaned_content = content # 如果只有一个表格，原内容即为清理后内容（因为后面没有表格了）
    
    return tables, cleaned_content

#提取所有维修项目表的html源码
def extract_repairproject_tables_html(content: str) -> tuple[list[str], str]:
    """
    提取所有维修表格，每个表格从 start_literal 开始，到下一个 start_literal 出现之前结束。
    
    :param content: 原始 HTML/文本内容
    :return: (tables: List[str], cleaned_content: str)
             - tables: 所有提取到的表格块（包含 start_literal 开头的内容）
             - cleaned_content: 原文中仅保留第一个表格块，其余已删除
    """
    # 构建起始模式
    start_literal = (
        '<table><tr>'
        '<td rowspan=1 colspan=1>维修项目编号</td>'
        '<td rowspan=1 colspan=1>组成编码</td>'
        '<td rowspan=1 colspan=1>名称</td>'
        '<td rowspan=1 colspan=1>维修项目</td>'
        '<td rowspan=1 colspan=1>维修间隔期</td>'
    ) or (
        '<table><tr>'
        '<td</td>'
        '<td>组成编码</td>'
        '<td>名称</td>'
        '<td>维修项目</td>'
        '<td>维修间隔期</td>'
    )
    
    # 使用 finditer 查找所有匹配的起始位置
    pattern = re.compile(re.escape(start_literal), re.DOTALL)
    matches = list(pattern.finditer(content))
    
    tables = []
    if not matches:
        # 没有找到表格，返回空列表和原内容
        return tables, content
    
    # 提取所有表格
    for i, match in enumerate(matches):
        start_pos = match.start()
        # 如果不是最后一个表格，结束位置是下一个表格的开始位置
        if i < len(matches) - 1:
            end_pos = matches[i + 1].start()
        else:
            # 如果是最后一个表格，结束位置是文本末尾
            end_pos = len(content)
        
        table_content = content[start_pos:end_pos]
        tables.append(table_content)
    
    # 构建 cleaned_content：只保留第一个表格
    first_table_end = len(content)
    if len(matches) > 1:
        first_table_end = matches[1].start()
    
    cleaned_content = content[:first_table_end]
    
    return tables, cleaned_content



def extract_operation_tables_html(content: str) -> Tuple[List[str], str]:
    """
    提取所有以“项目编号 + 操作项目”为表头的操作表格。
    每个表格的范围：从匹配的 start_pattern 开始，到下一个 start_pattern 之前（或文档结尾）。
    同时生成切片：「全文开头前两行 + 前100字上下文 + 表格内容」。
    cleaned_content 中仅保留第一个表格（原始形式），其余删除。
    """
    # 提取全文开头的前两行（保留换行符）
    lines = content.splitlines(keepends=True)
    first_two_lines = ''.join(lines[:2]) if len(lines) >= 2 else ''.join(lines)

    # 起始模式（修复版）
    start_pattern = r'''
        <table\b[^>]*> \s*
        <tr\b[^>]*> \s*
            <td\b[^>]*> \s* 项目编号 \s* </td> \s*
            <td\b[^>]*> \s* 操作项目 \s* </td> \s*
        </tr> \s*
        <tr\b[^>]*>
    '''
    
    # 查找所有起始位置
    matches = list(re.finditer(start_pattern, content, flags=re.DOTALL | re.VERBOSE))
    
    if not matches:
        return [], content
    
    # 构建每个表格的完整范围：[start_i, start_{i+1}) 或 [start_i, end)
    table_ranges = []
    for i in range(len(matches)):
        start_pos = matches[i].start()
        if i + 1 < len(matches):
            end_pos = matches[i + 1].start()
        else:
            end_pos = len(content)
        table_ranges.append((start_pos, end_pos))
    
    # 提取每个表格的 HTML 内容
    tables_html = [content[start:end] for start, end in table_ranges]
    
    # 构建 slices: 前两行 + 前100字 + 表格HTML
    slices = []
    for (start, _), html in zip(table_ranges, tables_html):
        prefix_start = max(0, start - 100)
        local_prefix = content[prefix_start:start]
        full_slice = first_two_lines + local_prefix + html
        
        # 修复标题格式（根据你的需求）
        full_slice = full_slice.replace("# 操作步骤..", "操作步骤..")
        full_slice = full_slice.replace("操作步骤..", "# 操作步骤")
        
        slices.append(full_slice)
    
    # 构建 cleaned_content：只保留第一个表格，其余删除
    cleaned = content
    if len(table_ranges) > 1:
        # 从后往前删除第2个及之后的表格
        for start, end in reversed(table_ranges[1:]):
            cleaned = cleaned[:start] + cleaned[end:]
    
    return slices, cleaned


def extract_cases(md_content):
    """
    从 Markdown 内容中提取所有以 '# 数字.' 开头的案例。
    每个案例从 '# X.XXX' 开始，到下一个 '# Y.YYY' 或末尾结束。
    """
    # 正则表达式匹配以 "# 数字." 开头的标题
    pattern = r'#\s*(\d+)\.\s*(.*?)\n(.*?)(?=(?:#\s*\d+\.\s*.*?))|$'
    
    # 使用 re.DOTALL 让 . 匹配换行符
    matches = re.findall(pattern, md_content, re.DOTALL | re.MULTILINE)
    
    cases = []
    for match in matches:
        case_number = match[0]  # 如 "1", "2"
        title_text = match[1]   # 如 "XXX 型号 A 设备 A 故障"
        content = match[2]      # 该案例的具体内容
        
        # 组装完整案例
        case_text = f"# {case_number}.{title_text}\n{content}"
        cases.append(case_text)
    
    return cases

def extract_fault_sections(text):
    """
    从文本中提取以“故障名称:”开头的段落，去除最后一行。
    """
    pattern = r'故障名称:[\s\S]*?(?=故障名称:|$)'
    matches = re.findall(pattern, text, re.IGNORECASE)
    
    results = []
    for match in matches:
        match = match.strip()
        if match:
            # 按行分割，去除最后一行，再合并
            lines = match.split('\n')
            if len(lines) > 1:
                # 去除最后一行
                modified_content = '\n'.join(lines[:-1])
                results.append(modified_content.strip())
            # 如果只有一行，可以根据需要决定是否保留
    
    return results

def extract_by_unit(text):
    """
    从文本中提取以“单位:”开头的段落，去除最后一行。
    """
    pattern = r'(?=单位:)[\s\S]*?(?=单位:|$)'
    matches = re.findall(pattern, text, re.IGNORECASE)
    
    results = []
    for match in matches:
        match = match.strip()
        if match:
            # 按行分割，去除最后一行，再合并
            lines = match.split('\n')
            if len(lines) > 1:
                # 去除最后一行
                modified_content = '\n'.join(lines[:-1])
                results.append(modified_content.strip())
    
    return results


def extract_tables(content: str, start_len: int = 300,end_len:int = 50) -> Tuple[List[str], List[str], str]:
    """
    提取所有 HTML 表格及其前后上下文（各最多 context_len 个字符），并从原文中移除表格及上下文。

    :param content: 原始 HTML/文本内容
    :param context_len: 上下文长度（默认 100 字符）
    :return: (tables: List[str], contexts: List[str], cleaned_content: str)
             其中 contexts[i] 是 tables[i] 对应的 "<前文> + <table>... + <后文>" 字符串
    """
    # 构造正则：捕获最多 context_len 个任意字符（非贪婪）+ table 标签 + 最多 context_len 个任意字符
    pattern = rf'(.{{0,{start_len}}}?)(<table\b[^>]*>.*?</table>)(.{{0,{end_len}}})'
    
    matches = re.finditer(pattern, content, flags=re.DOTALL | re.IGNORECASE)
    
    tables = []
    contexts = []
    cleaned_content = content

    # 从后往前替换，避免位置偏移问题
    for match in reversed(list(matches)):
        pre_context = match.group(1)
        table = match.group(2)
        post_context = match.group(3)
        
        full_context = pre_context + table + post_context

        contexts.append(full_context)
        tables.append(table)

        # 从原文中删除整个上下文片段（包括前后文和表格）
        cleaned_content = cleaned_content[:match.start()] + cleaned_content[match.end():]

    # 因为是从后往前删的，所以 tables 和 contexts 顺序是反的，需要反转回来
    tables.reverse()
    contexts.reverse()

    return tables, contexts, cleaned_content

def extract_guzhang_tables(text: str, context_length: int = 100) -> List[str]:
    header1 = '<table><tr><td>序号</td><td>故障现象</td><td>故障原因</td><td>维修项目</td></tr>'
    header2 = '<table><tr><td colspan="1" rowspan="1">序号</td><td colspan="1" rowspan="1">故障现象</td><td colspan="1" rowspan="1">故障原因</td><td colspan="1" rowspan="1">维修项目</td></tr>'
    
    header1_esc = re.escape(header1)
    header2_esc = re.escape(header2)
    
    # 匹配：前文（最多 context_length） + 表头 + 表格内容 + 结尾
    pattern = re.compile(
        rf'(.{{0,{context_length}}}?)(?:{header1_esc}|{header2_esc})([\s\S]*?</tr></table>)',
        re.DOTALL
    )
    
    results = []
    for match in pattern.finditer(text):
        before = match.group(1)  # 前文
        body_and_end = match.group(2)  # 表格内容 + 结尾
        
        # 判断是哪个表头（从原文中取）
        pos = match.start(2)  # 表头开始位置
        if text[pos:pos + len(header1)] == header1:
            table_code = header1 + body_and_end
        else:
            table_code = header2 + body_and_end
        
        result_str = before + table_code
        results.append(result_str)
    
    return results


def extract_content_slices(text, keywords, context_len=100):
    # 转义关键词用于正则
    escaped = [re.escape(kw) for kw in keywords]
    pattern = r'^\s*#?\s*(' + '|'.join(escaped) + ')'
    compiled = re.compile(pattern, re.MULTILINE) # 注意：这里加了 MULTILINE 以确保 ^ 能匹配每行开头

    lines = text.splitlines(keepends=True)  # keepends=True 保留换行符，用于精确计算位置
    if not lines:
        return []

    contents = []
    current_content = []
    in_section = False
    section_start_idx = 0 # 记录当前段落在原文中的字符索引位置

    # 遍历每一行
    for line in lines:
        if compiled.match(line):
            # 遇到新关键词
            if in_section and current_content:
                # 1. 拼接当前内容
                content_str = ''.join(current_content)
                
                # 2. 获取前 context_len 个字符的上下文
                # 确保不越界
                start_context = max(0, section_start_idx - context_len)
                prefix_context = text[start_context:section_start_idx]
                
                # 3. 组合结果：上下文 + 内容
                final_slice = prefix_context + content_str
                contents.append(final_slice)
                
                # 重置，准备下一段
                current_content = []
            
            # 开启新段落
            in_section = True
            # 更新当前段落的起始位置（即这一行在原文中的位置）
            # 这里简化处理：通过查找来定位（因为直接计算索引在复杂文本中容易出错）
            # find 从 section_start_idx 开始找，避免重复匹配
            temp_pos = text.find(line, section_start_idx)
            if temp_pos != -1:
                section_start_idx = temp_pos

        elif in_section:
            current_content.append(line)

    # 处理最后一个段落
    if in_section and current_content:
        content_str = ''.join(current_content)
        start_context = max(0, section_start_idx - context_len)
        prefix_context = text[start_context:section_start_idx]
        final_slice = prefix_context + content_str
        contents.append(final_slice)

    return contents