Aislo/resources/knowledge/original/_pipeline/pum_md_tool.py

# -*- coding: utf-8 -*-
"""품셈 PDF → 절별 md 도구 (규칙: `원가계산/_품셈md_작성규칙.md` · 2026-09-19).

판정 기준은 PDF 뿐 — 원가계산(B09)·공종 마스터·옛 md 는 보지 않음.

사용: python pum_md_tool.py plan <산림|건설>          차례에서 장·절 → 본문/ 빈 파일(머리만 · 상태 대기)
      python pum_md_tool.py pages <산림|건설> [쪽범위]  쪽 그림 150dpi PNG → tmp/pum_pages/ (git 밖)
      python pum_md_tool.py check <md 파일>            ① 수 대조 ② 글자 대조 → 머리 「기계검사」 칸
      python pum_md_tool.py status                     장별 대기/작성중/검증대기/확정 표

절 경계 = 시작표지·끝표지 글자가 쪽 안에서 놓인 줄(좌표로 묶은 줄의 맨 앞).
좌표로 줄 묶기는 `resources/tester/test_const_pdf_coverage.py` 의 것을 그대로 씀(그 시험은 안 고침).
"""

from __future__ import annotations

import re
import sys
from dataclasses import dataclass
from pathlib import Path

ROOT = Path(__file__).resolve().parents[4]  # 저장소 뿌리
sys.path.insert(0, str(ROOT))

from resources.tester.test_const_pdf_coverage import _page_rows  # noqa: E402

COST = ROOT / "resources/knowledge/original/원가계산"

#: 책마다 — PDF · 차례 쪽(PDF 쪽 번호) · 인쇄 1쪽이 놓인 PDF 쪽 · 머리 「문서」 칸 · 새 md 뿌리
BOOKS = {
    "산림": {
        "pdf": COST / "산림_표준품셈/첨부/(산림청고시 제2025-82호) 산림사업 표준품셈.pdf",
        "toc": (3, 12),
        "first_body": 13,
        "doc": "산림사업 표준품셈(산림청고시 제2025-82호)",
        "out": COST / "산림_표준품셈/본문",
    },
}

HEAD_KEYS = (
    "문서",
    "절",
    "PDF쪽",
    "인쇄쪽",
    "시작표지",
    "끝표지",
    "상태",
    "작성",
    "검증",
    "원천",
    "기계검사",
    "확정지문",
)
STATES = ("대기", "작성중", "검증대기", "확정")
_TOC_SKIP = {"장", "내  용", "페이지", "- 목  차 -"}
_TOC_ID = re.compile(r"제\d+장|\d+-\d+(?:-\d+)*|부록\d*")
_BAD_NAME = re.compile(r'[/:*?"<>|\\]')
_LEADER = re.compile(r"\s*[·․…]{3,}.*$")
#: 글자층이 없다고 볼 쪽 글자 수(쪽 번호만 남은 쪽)
_EMPTY_PAGE_CHARS = 20


@dataclass
class Entry:
    """차례 한 줄 — 장(`제1장`) · 절(`1-1`) · 항(`1-1-1`) · 부록."""

    ident: str
    name: str
    page: int  # 인쇄 쪽


def toc_entries(doc, first: int, last: int) -> list[Entry]:
    """차례 쪽(PDF first~last)의 줄 — 번호 줄 · 이름 줄(점선) · 쪽 줄이 차례로 옴."""
    lines = [
        line
        for number in range(first - 1, last)
        for line in doc[number].get_text().splitlines()
        if line.strip() not in _TOC_SKIP
    ]
    return parse_toc(lines)


def parse_toc(raw: list[str]) -> list[Entry]:
    lines = [
        t for t in (_LEADER.sub("", line).strip() for line in raw) if t
    ]  # 점선 뗌(「부록 ····」)
    out, i = [], 0
    while i < len(lines):
        if not _TOC_ID.fullmatch(lines[i]):
            raise ValueError(f"차례 모양이 다름: {lines[i]!r}")
        j, name = i + 1, []
        while j < len(lines) and not lines[j].isdigit():
            name.append(lines[j])
            j += 1
        if j == len(lines):
            raise ValueError(f"차례 쪽 번호 없음: {lines[i]}")
        out.append(Entry(lines[i], " ".join(name), int(lines[j])))
        i = j + 1
    return out


#: 가운뎃점 여러 벌 — 차례는 「보수․복구」(U+2024) · 본문은 「보수·복구」(U+00B7). 맞대기에서만 같게 봄.
_DOTS = str.maketrans({"․": "·", "ㆍ": "·", "･": "·", "‧": "·"})


def key(text: str) -> str:
    """표지 맞대기 — 공백·대괄호를 떼고 번호 뒤 점을 뗌(`9-5. 발파암` = `9-5 발파암`)."""
    tight = re.sub(r"[\s\[\]]", "", text).translate(_DOTS)
    return re.sub(r"^(\d+(?:-\d+)*)\.", r"\1", tight)


def locate(doc, marker: str, first_pdf: int, slack: int = 3) -> tuple[int, int]:
    """표지가 줄 맨 앞에 놓인 (PDF 쪽, 그 쪽 안 줄 차례) — first_pdf 부터 slack 쪽 안에서 찾음."""
    want = key(marker)
    for number in range(first_pdf, min(first_pdf + slack, doc.page_count) + 1):
        for index, row in enumerate(_page_rows(doc[number - 1])):
            if key(row).startswith(want):
                return number, index
    raise ValueError(f"표지를 못 찾음: {marker} (PDF {first_pdf}~{first_pdf + slack})")


def heading_pattern(ident: str) -> re.Pattern:
    """본문 머리 줄 — **번호로** 찾음. 차례 이름에 오타가 있어서(「면벅」=면벽 · 「조림」=조립 …)."""
    if ident.startswith("제"):
        return re.compile(r"^제\s*" + ident[1:-1] + r"\s*장(?!\d)")
    if ident.startswith("부록"):
        return re.compile(r"^\[?" + re.escape(ident) + r"\]?(?!\d)")
    return re.compile(r"^" + re.escape(ident) + r"\.(?!\d)")


def find_heading(doc, ident: str, first_pdf: int, slack: int = 3) -> tuple[int, int, str]:
    """(PDF 쪽, 쪽 안 줄 차례, 머리 줄 글자)."""
    pattern = heading_pattern(ident)
    for number in range(first_pdf, min(first_pdf + slack, doc.page_count) + 1):
        for index, row in enumerate(_page_rows(doc[number - 1])):
            if pattern.match(row.strip()):
                return number, index, row.strip()
    raise ValueError(f"머리를 못 찾음: {ident} (PDF {first_pdf}~{first_pdf + slack})")


def respace(body: str, toc: str) -> str:
    """본문 글자에 차례 띄어쓰기를 입힘 — 글자층은 띄어쓰기가 빠져 있음(「철근현장가공및조립」).

    글자는 본문 것(가운뎃점 `·` 등) · 띄어쓰기만 차례에서. 공백 뺀 글자가 다르면(차례 오타) 본문 그대로.
    """
    plain = re.sub(r"\s", "", body)
    if plain.translate(_DOTS) != re.sub(r"\s", "", toc).translate(_DOTS):
        return body
    glyphs = iter(plain)
    return "".join(" " if ch.isspace() else next(glyphs) for ch in toc)


def heading_text(entry: Entry, row: str) -> str:
    """머리 글자 — PDF 그대로(번호 뒤 마침표 포함 · 「4-5. 벌도 위험목 점검」), 띄어쓰기는 차례를 따름."""
    found = heading_pattern(entry.ident).match(row)
    lead, rest = row[: found.end()].strip(), row[found.end() :].strip()
    name = respace(rest, entry.name)
    return f"{lead} {name}".strip() if name else lead


def section_name(entry: Entry, row: str) -> str:
    """파일 이름에 쓸 절 이름 — 머리 글자에서 번호를 뗀 것."""
    return heading_text(entry, row)[heading_pattern(entry.ident).match(row).end() :].strip()


def claimed_elsewhere(root: Path) -> set[str]:
    """다른 창 브랜치에 이미 있는 새 md 경로 — 만들면 합칠 때 같은 자리 두 벌로 부딪힘."""
    import subprocess

    rel = root.relative_to(ROOT).as_posix()
    refs = subprocess.run(
        ["git", "-C", str(ROOT), "for-each-ref", "--format=%(refname)", "refs/remotes/origin"],
        capture_output=True,
        text=True,
        check=True,
    ).stdout.split()
    out: set[str] = set()
    for ref in refs:
        listed = subprocess.run(
            [
                "git",
                "-C",
                str(ROOT),
                "-c",
                "core.quotepath=off",
                "ls-tree",
                "-r",
                "--name-only",
                ref,
                "--",
                rel,
            ],
            capture_output=True,
            text=True,
            encoding="utf-8",
        )
        out.update(line[len(rel) + 1 :] for line in listed.stdout.splitlines() if line)
    return out  # root 아래 상대 경로


def safe(text: str) -> str:
    return _BAD_NAME.sub("", text).replace(" ", "_")


def section_file(out: Path, chapter: Entry, section: Entry) -> Path:
    number = int(chapter.ident[1:-1])
    major, minor = section.ident.split("-")
    folder = f"제{number:02d}장_{safe(chapter.name)}"
    return out / folder / f"{major}-{int(minor):02d}_{safe(section.name)}.md"


def _span(a: int, b: int) -> str:
    return str(a) if a == b else f"{a}~{b}"


def head_text(values: dict[str, str]) -> str:
    return (
        "---\n" + "".join(f"{k}: {values.get(k, '')}".rstrip() + "\n" for k in HEAD_KEYS) + "---\n"
    )


def read_head(path: Path) -> dict[str, str]:
    lines = path.read_text(encoding="utf-8").splitlines()
    if not lines or lines[0] != "---":
        raise ValueError(f"머리 없음: {path}")
    out = {}
    for line in lines[1:]:
        if line == "---":
            return out
        k, _, v = line.partition(":")
        out[k.strip()] = v.strip()
    raise ValueError(f"머리 끝 없음: {path}")


def plan(book_name: str) -> list[Path]:
    """절마다 빈 파일(머리만 · 상태 대기) — **있는 파일은 안 건드림**(다른 창이 집어 쓰는 중일 수 있음)."""
    import pymupdf

    book = BOOKS[book_name]
    offset = book["first_body"] - 1  # 인쇄 쪽 + offset = PDF 쪽
    written = []
    claimed = claimed_elsewhere(book["out"])
    with pymupdf.open(book["pdf"]) as doc:
        entries = toc_entries(doc, *book["toc"])
        # 경계가 되는 차례 줄 — 장 · 절 · 부록N(항은 절 안 · 머리 없는 「부록」 묶음 줄은 뺌)
        bounds = [e for e in entries if e.ident != "부록" and e.ident.count("-") < 2]
        chapter = None
        for n, entry in enumerate(bounds):
            if entry.ident.startswith("제"):
                chapter = entry
                continue
            if entry.ident.startswith("부록") or chapter is None:
                continue
            start_pdf, _, row = find_heading(doc, entry.ident, entry.page + offset)
            title = heading_text(entry, row)
            following = bounds[n + 1] if n + 1 < len(bounds) else None
            if following is None:  # 문서 맨 끝 절
                end_pdf, end_marker = doc.page_count, "끝"
            else:  # 장 마지막 절이면 다음 장 제목 · 부록 앞이면 부록 제목
                next_pdf, at, next_row = find_heading(doc, following.ident, following.page + offset)
                end_pdf = next_pdf - 1 if at == 0 else next_pdf
                end_marker = heading_text(following, next_row)
            end_pdf = max(end_pdf, start_pdf)
            empty = any(
                len(re.sub(r"\s", "", doc[p - 1].get_text())) < _EMPTY_PAGE_CHARS
                for p in range(start_pdf, end_pdf + 1)
            )
            path = section_file(
                book["out"], chapter, Entry(entry.ident, section_name(entry, row), entry.page)
            )
            if path.exists() or path.relative_to(book["out"]).as_posix() in claimed:
                continue
            path.parent.mkdir(parents=True, exist_ok=True)
            path.write_text(
                head_text(
                    {
                        "문서": book["doc"],
                        "절": title,
                        "PDF쪽": _span(start_pdf, end_pdf),
                        "인쇄쪽": _span(start_pdf - offset, end_pdf - offset),
                        "시작표지": title,
                        "끝표지": end_marker,
                        "상태": "대기",
                        "원천": "그림" if empty else "글자층",
                    }
                ),
                encoding="utf-8",
            )
            written.append(path)
    return written


def main(argv: list[str]) -> int:
    if len(argv) >= 2 and argv[0] == "plan":
        made = plan(argv[1])
        print(f"새 파일 {len(made)}")
        return 0
    print(__doc__)
    return 2


if __name__ == "__main__":
    sys.exit(main(sys.argv[1:]))