ihaleist/src/services/pdfText.js

/**
 * PDF'ten metin çıkarma (tarayıcı içinde, pdfjs-dist ile).
 * Dinamik import edilir — ana bundle'a girmez.
 */

export async function extractPdfText(file, { maxPages = 40 } = {}) {
  const pdfjs = await import('pdfjs-dist');
  // Worker'ı Vite'ın bundle ettiği dosyadan al (CDN'e çıkmaz)
  const workerUrl = (await import('pdfjs-dist/build/pdf.worker.min.mjs?url')).default;
  pdfjs.GlobalWorkerOptions.workerSrc = workerUrl;

  const buf = await file.arrayBuffer();
  const doc = await pdfjs.getDocument({ data: buf }).promise;
  const pages = Math.min(doc.numPages, maxPages);
  const parts = [];
  for (let i = 1; i <= pages; i++) {
    const page = await doc.getPage(i);
    const content = await page.getTextContent();
    parts.push(content.items.map((it) => it.str).join(' '));
  }
  const text = parts.join('\n\n').replace(/[ \t]+/g, ' ').trim();
  return { text, pageCount: doc.numPages, usedPages: pages };
}

// Metin dosyaları için basit okuyucu
export async function extractPlainText(file) {
  const text = await file.text();
  return { text: text.trim(), pageCount: 1, usedPages: 1 };
}

/**
 * Taranmış (görüntü) PDF için OCR — tesseract.js, Türkçe dil paketi,
 * tarayıcıda. Ölçüldü: sentetik teklif cetvelinde güven 87, sayfa başı
 * ~0,3 sn (Node). Yalnızca metin katmanı boşsa devreye girer; ilk 8 sayfa.
 */
export async function ocrPdfText(file, { maxPages = 8, onProgress } = {}) {
  const pdfjs = await import('pdfjs-dist');
  const workerUrl = (await import('pdfjs-dist/build/pdf.worker.min.mjs?url')).default;
  pdfjs.GlobalWorkerOptions.workerSrc = workerUrl;
  const { createWorker } = await import('tesseract.js');
  const doc = await pdfjs.getDocument({ data: await file.arrayBuffer() }).promise;
  const pages = Math.min(doc.numPages, maxPages);
  const worker = await createWorker('tur');
  const parts = [];
  try {
    for (let i = 1; i <= pages; i++) {
      onProgress?.({ sayfa: i, toplam: pages });
      const page = await doc.getPage(i);
      const viewport = page.getViewport({ scale: 2 }); // ~150 dpi: OCR için yeterli, hızlı
      const canvas = document.createElement('canvas');
      canvas.width = viewport.width; canvas.height = viewport.height;
      await page.render({ canvasContext: canvas.getContext('2d'), viewport }).promise;
      const { data } = await worker.recognize(canvas);
      parts.push(data.text);
    }
  } finally {
    await worker.terminate();
  }
  const text = parts.join('\n\n').replace(/[ \t]+/g, ' ').trim();
  return { text, pageCount: doc.numPages, usedPages: pages, ocr: true };
}

export async function extractText(file, { ocr = true, onProgress } = {}) {
  const name = (file.name || '').toLowerCase();
  if (name.endsWith('.pdf') || file.type === 'application/pdf') {
    const r = await extractPdfText(file);
    // Metin katmanı yoksa taranmış PDF'tir — OCR'a düş
    if (ocr && (r.text || '').replace(/\s/g, '').length < 100) {
      try { return await ocrPdfText(file, { onProgress }); } catch { return r; }
    }
    return r;
  }
  return extractPlainText(file);
}