import * as crypto from 'crypto';
import { PDFParse } from 'pdf-parse';
import {
  istVerschluesselt,
  ueberschreitetDekompressionsLimit,
} from '../common/pdf-dekompression.util';

/**
 * Unterhalb dieser Textlänge gilt ein PDF als "ohne Textebene" (z.B. Scan) –
 * ein paar Zeichen reichen nicht, um Dokumente sicher zu unterscheiden.
 */
const MIN_TEXT_LENGTH = 20;

/**
 * Inhaltsbasierter Fingerprint eines PDFs: SHA-256 über den extrahierten,
 * whitespace-normalisierten Text. Anders als die Datei-Checksumme bleibt er
 * gleich, wenn ein Absender dasselbe Dokument neu erzeugt (andere
 * Erstellungszeit, Dokument-ID o.ä.).
 *
 * @returns Fingerprint (64 Hex-Zeichen), `''` bei PDFs ohne verwertbaren Text
 *          (bereits berechnet, aber nicht vergleichbar) oder `null`, wenn das
 *          PDF nicht gelesen werden konnte. Verschlüsselte PDFs und solche,
 *          die entpackt zu groß wären, liefern ebenfalls `''`.
 */
export async function computeContentFingerprint(
  pdf: Buffer,
): Promise<string | null> {
  // pdf.js entpackt ohne Limit – Dekompressionsbomben gar nicht erst laden.
  // Verschlüsselte Streams entschlüsselt pdf.js erst intern; vorab sind sie
  // nicht prüfbar. Beides gilt als "nicht vergleichbar" ('').
  if (
    istVerschluesselt(pdf) ||
    (await ueberschreitetDekompressionsLimit(pdf))
  ) {
    return '';
  }
  // pdf.js übernimmt den Puffer, deshalb eine Kopie übergeben
  const parser = new PDFParse({ data: new Uint8Array(pdf) });
  try {
    const { text } = await parser.getText();
    const normalized = text.replace(/\s+/g, ' ').trim();
    // Seitenmarker ("-- 1 of 1 --") zählen nicht als Inhalt
    const inhalt = normalized.replace(/-- \d+ of \d+ --/g, '').trim();
    if (inhalt.length < MIN_TEXT_LENGTH) return '';
    return crypto.createHash('sha256').update(normalized).digest('hex');
  } catch {
    return null;
  } finally {
    await parser.destroy().catch(() => undefined);
  }
}