"""ocr_normalize 단위테스트. 외부 의존 없음."""

from __future__ import annotations

import pytest

from app.engine.ocr_normalize import normalize_ocr, ocr_artifact_stats


class TestNumberUnitSpace:
    """규칙 2 — 없는 어절을 만들어내는 가장 흔한 아티팩트(35.9%)."""

    def test_year_month(self):
        assert normalize_ocr("1880 년 11 월에 쓴 편지") == "1880년 11월에 쓴 편지"

    def test_various_units(self):
        assert normalize_ocr("3 개월 뒤 5 명이 2 권을 샀다") == "3개월 뒤 5명이 2권을 샀다"

    def test_latin_unit(self):
        assert normalize_ocr("12 km 를 걸었다") == "12km 를 걸었다"

    def test_eojeol_count_restored(self):
        """이 규칙의 목적 자체 — 어절 수가 정상으로 돌아와야 한다."""
        assert len(normalize_ocr("1880 년 11 월").split()) == 2

    def test_does_not_eat_real_words(self):
        """숫자 뒤 공백이라고 다 붙이면 안 된다. 단위 목록에 없으면 그대로."""
        assert normalize_ocr("5 사람이 왔다") == "5 사람이 왔다"
        assert normalize_ocr("3 번지 근처") == "3 번지 근처"


class TestHanjaGloss:
    """규칙 3 — 생성문에 없는 조판 관습(24.1%)."""

    def test_removes_gloss(self):
        assert normalize_ocr("대사(大使)의 임무를 띠고") == "대사의 임무를 띠고"

    def test_keeps_latin_paren(self):
        """원어 병기는 본문일 수 있으므로 건드리지 않는다."""
        text = '"탄식의 노래"(Das klagende Lied)'
        assert "Das klagende Lied" in normalize_ocr(text)

    def test_keeps_non_gloss_hanja(self):
        """앞말이 한글이 아니면 병기가 아니다 — 보수적으로 남긴다."""
        assert "(大使)" in normalize_ocr("A (大使)")

    def test_opt_out(self):
        assert "(大使)" in normalize_ocr("대사(大使)", strip_hanja_gloss=False)


class TestQuotes:
    """규칙 4 — 낫표는 조판 관습이지 문체가 아니다(18.0%)."""

    def test_bracket_quotes_unified(self):
        assert normalize_ocr("「탄식의 노래」") == '"탄식의 노래"'

    def test_curly_quotes_unified(self):
        assert normalize_ocr("“인용” ‘강조’") == "\"인용\" '강조'"

    def test_opt_out(self):
        assert "「" in normalize_ocr("「제목」", unify_quotes=False)


class TestPunctSpacing:
    def test_space_before_punct(self):
        assert normalize_ocr("기본적 . 0루") == "기본적. 0루"

    def test_inside_paren(self):
        assert normalize_ocr("( 안쪽 )") == "(안쪽)"

    def test_ellipsis(self):
        assert normalize_ocr("그리고...") == "그리고…"


class TestWhitespace:
    def test_zero_width_removed(self):
        assert normalize_ocr("말러​는") == "말러는"

    def test_nbsp_to_space(self):
        assert normalize_ocr("말러 는") == "말러 는"

    def test_paragraphs_preserved(self):
        assert normalize_ocr("문단1\n\n문단2") == "문단1\n\n문단2"


class TestInvariants:
    """이 두 성질이 깨지면 학습·캘리브레이션 결과를 신뢰할 수 없다."""

    SAMPLES = [
        "1880 년 11 월에 쓴 어떤 편지에는 대사(大使)의 「임무」가 적혀 있다...",
        "말러는 한때 바그너에 심취한 채식주의자였다. 그때 그는 도덕적 작용을 경험하였다.",
        "( 안쪽 ) 공백과 문장부호 . 그리고 3 개월",
        "",
        "짧은글",
    ]

    @pytest.mark.parametrize("text", SAMPLES)
    def test_idempotent(self, text):
        once = normalize_ocr(text)
        assert normalize_ocr(once) == once

    def test_noop_on_clean_text(self):
        """운영에서 들어올 깨끗한 원고는 바뀌지 않아야 한다."""
        clean = (
            "말러는 한때 바그너에 심취한 채식주의자였다. 1880년 11월에 쓴 편지에는 "
            '"동화극이 끝났다"고 적혀 있다.\n\n그것은 1년 이상 걸린 고심작이었다.'
        )
        assert normalize_ocr(clean) == clean

    def test_empty(self):
        assert normalize_ocr("") == ""


class TestStats:
    def test_counts_before_and_after(self):
        raw = "1880 년 대사(大使)의 「임무」... 그리고 3 개월"
        before = ocr_artifact_stats(raw)
        after = ocr_artifact_stats(normalize_ocr(raw))
        assert before["num_unit_space"] > 0
        assert before["hanja_gloss"] > 0
        assert before["bracket_quote"] > 0
        assert sum(after.values()) == 0