#!/usr/bin/env python3
"""
从招标公告 PDF 中提取地址信息。
用法: python3 extract_address_from_pdf.py <pdf文件路径> [公告标题]
输出: JSON {"region": "省/市", "regionDetail": "详细地址"}
"""
import fitz
import re
import json
import sys

# 全国省份/直辖市/自治区名称（含简称、别称）
PROVINCES = [
    '北京', '天津', '上海', '重庆',
    '河北', '山西', '辽宁', '吉林', '黑龙江',
    '江苏', '浙江', '安徽', '福建', '江西', '山东',
    '河南', '湖北', '湖南', '广东', '海南',
    '四川', '贵州', '云南', '陕西', '甘肃', '青海',
    '台湾', '内蒙古', '广西', '西藏', '宁夏', '新疆',
]
TWO_CHAR_PROVS = [p for p in PROVINCES if len(p) == 2]
SPECIAL_PROVS = ['内蒙古', '广西', '新疆', '西藏', '宁夏']


def extract_province_best(text):
    """从任意文本中提取最可能的省份（先关键词匹配，避免正则在多字省份上截断）"""
    if not text:
        return ''
    text_clean = text.replace(' ', '')
    # 1. 特殊多字省份（优先，避免"新疆维吾尔自治区"被截）
    for prov in SPECIAL_PROVS:
        if prov in text_clean:
            return prov
    # 2. 直辖市
    for prov in ['北京', '天津', '上海', '重庆']:
        if prov in text_clean:
            return prov
    # 3. "XX省"（如"陕西省"、"广东省"）
    m = re.search(r'([\u4e00-\u9fff]{2}省)', text)
    if m:
        return m.group(1)[:2]
    # 4. 两字省份关键词
    for prov in TWO_CHAR_PROVS:
        if prov in text_clean:
            return prov
    return ''


def extract_city_from_text(text):
    """从文本中提取城市名（XX市）"""
    if not text:
        return ''
    m = re.search(r'([\u4e00-\u9fff]{2,4}(?:市))', text)
    if m:
        city = m.group(1)
        if city not in ['北京市', '天津市', '上海市', '重庆市']:
            return city
    return ''


def extract_address(pdf_path: str, title: str = '') -> dict:
    pdf_text = ''
    try:
        doc = fitz.open(pdf_path)
        for page in doc:
            pdf_text += page.get_text()
        doc.close()
    except Exception:
        pdf_text = ''

    result = {'region': '', 'regionDetail': ''}

    # ── 1. 从PDF正文中提取详细地址 ──
    addr_patterns = [
        r'建设地点[：:]\s*(.+?)(?:\n|$)',
        r'项目地点[：:]\s*(.+?)(?:\n|$)',
        r'交货地点[：:]\s*(.+?)(?:\n|$)',
        r'施工地点[：:]\s*(.+?)(?:\n|$)',
        r'项目地址[：:]\s*(.+?)(?:\n|$)',
        r'供货地点[：:]\s*(.+?)(?:\n|$)',
        r'到货地点[：:]\s*(.+?)(?:\n|$)',
        r'送货地点[：:]\s*(.+?)(?:\n|$)',
        r'工程地点[：:]\s*(.+?)(?:\n|$)',
        r'实施地点[：:]\s*(.+?)(?:\n|$)',
        r'服务地点[：:]\s*(.+?)(?:\n|$)',
        r'收货地址[：:]\s*(.+?)(?:\n|$)',
        r'所在地[：:]\s*(.+?)(?:\n|$)',
    ]

    addr = ''
    for p in addr_patterns:
        m = re.search(p, pdf_text)
        if m:
            addr = m.group(1).strip()
            if len(addr) >= 4:
                break
            addr = ''

    if addr:
        result['regionDetail'] = addr
        prov = extract_province_best(addr)
        if prov:
            result['region'] = prov
        else:
            city = extract_city_from_text(addr)
            if city:
                result['region'] = city

    # ── 2. 正文没提取到region，从整个PDF文本中搜索 ──
    if not result['region'] and pdf_text:
        prov = extract_province_best(pdf_text)
        if prov:
            result['region'] = prov

    # ── 3. 还没提取到，从标题中搜索 ──
    if not result['region'] and title:
        prov = extract_province_best(title)
        if prov:
            result['region'] = prov

    return result


if __name__ == '__main__':
    if len(sys.argv) < 2:
        print(json.dumps({'region': '', 'regionDetail': ''}))
        sys.exit(0)

    pdf_path = sys.argv[1]
    title = sys.argv[2] if len(sys.argv) > 2 else ''
    result = extract_address(pdf_path, title)
    print(json.dumps(result, ensure_ascii=False))