docparser-pdf 0.2.1

docparser PDF 后端:PDFium 常驻 worker 逐文本对象抽取(CJK/CID 可用)+ pdf-extract 纯 Rust 兜底
Documentation
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041
1042
1043
1044
1045
1046
1047
1048
1049
1050
1051
1052
1053
1054
1055
1056
1057
1058
1059
1060
1061
1062
1063
1064
1065
1066
1067
1068
1069
1070
1071
1072
1073
1074
1075
1076
1077
1078
1079
1080
1081
1082
1083
1084
1085
1086
1087
1088
1089
1090
1091
1092
1093
1094
1095
1096
1097
1098
1099
1100
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1119
1120
1121
1122
1123
1124
1125
1126
1127
1128
1129
1130
1131
1132
1133
1134
1135
1136
1137
1138
1139
1140
1141
1142
1143
1144
1145
1146
1147
1148
1149
1150
1151
1152
1153
1154
1155
1156
1157
1158
1159
1160
1161
1162
1163
1164
1165
1166
1167
1168
1169
1170
1171
1172
1173
1174
1175
1176
1177
1178
1179
1180
1181
1182
1183
1184
1185
1186
1187
1188
1189
1190
1191
1192
1193
1194
1195
1196
1197
1198
1199
1200
1201
1202
1203
1204
1205
1206
1207
1208
1209
1210
1211
1212
1213
1214
1215
1216
1217
1218
1219
1220
1221
1222
1223
1224
1225
1226
1227
1228
1229
1230
1231
1232
1233
1234
1235
1236
1237
1238
1239
1240
1241
1242
1243
1244
1245
1246
1247
1248
1249
1250
1251
1252
1253
1254
1255
1256
1257
1258
1259
1260
1261
1262
1263
1264
1265
1266
1267
1268
1269
1270
1271
1272
1273
1274
1275
1276
1277
1278
1279
1280
1281
1282
1283
1284
1285
1286
1287
1288
1289
1290
1291
1292
1293
1294
1295
1296
1297
1298
1299
1300
1301
1302
1303
1304
1305
1306
1307
1308
1309
1310
1311
1312
1313
1314
1315
1316
1317
1318
1319
1320
1321
1322
1323
1324
1325
1326
1327
1328
1329
1330
1331
1332
1333
1334
1335
1336
1337
1338
1339
1340
1341
1342
1343
1344
1345
1346
1347
1348
1349
1350
1351
1352
1353
1354
1355
1356
1357
1358
1359
1360
1361
1362
1363
1364
1365
1366
1367
1368
1369
1370
1371
1372
1373
1374
1375
1376
1377
1378
1379
1380
1381
1382
1383
1384
1385
1386
1387
1388
1389
1390
1391
1392
1393
1394
1395
1396
1397
1398
1399
1400
1401
1402
1403
1404
1405
1406
1407
1408
1409
1410
1411
1412
1413
1414
1415
1416
1417
1418
1419
1420
1421
1422
1423
1424
1425
1426
1427
1428
1429
1430
1431
1432
1433
1434
1435
1436
1437
1438
1439
1440
1441
1442
1443
1444
1445
1446
1447
1448
1449
1450
1451
1452
1453
1454
1455
1456
1457
1458
1459
1460
1461
1462
1463
1464
1465
1466
1467
1468
1469
1470
1471
1472
1473
1474
1475
1476
1477
1478
1479
1480
1481
1482
1483
1484
1485
1486
1487
1488
1489
1490
1491
1492
1493
1494
1495
1496
1497
1498
1499
1500
1501
1502
1503
1504
1505
1506
1507
1508
1509
1510
1511
1512
1513
1514
1515
1516
1517
1518
1519
1520
1521
1522
1523
1524
1525
1526
1527
1528
1529
1530
1531
1532
1533
1534
1535
1536
1537
1538
1539
1540
1541
1542
1543
1544
1545
1546
1547
1548
1549
1550
1551
1552
1553
1554
1555
1556
1557
1558
1559
1560
1561
1562
1563
1564
1565
1566
1567
1568
1569
1570
1571
1572
1573
1574
1575
1576
1577
1578
1579
1580
1581
1582
1583
1584
1585
1586
1587
1588
1589
1590
1591
1592
1593
1594
1595
1596
1597
1598
1599
1600
1601
1602
1603
1604
1605
1606
1607
1608
1609
1610
1611
1612
1613
1614
1615
1616
1617
1618
1619
1620
1621
1622
1623
1624
1625
1626
1627
1628
1629
1630
1631
1632
1633
1634
1635
1636
1637
1638
1639
1640
1641
1642
1643
1644
1645
1646
1647
1648
1649
1650
1651
1652
1653
1654
1655
1656
1657
1658
1659
1660
1661
1662
1663
1664
1665
1666
1667
1668
1669
1670
1671
1672
1673
1674
1675
1676
1677
1678
1679
1680
1681
1682
1683
1684
1685
1686
1687
1688
1689
1690
1691
1692
1693
1694
1695
1696
1697
1698
1699
1700
1701
1702
1703
1704
1705
1706
1707
1708
1709
1710
1711
1712
1713
1714
1715
1716
1717
1718
1719
1720
1721
1722
1723
1724
1725
1726
1727
1728
1729
1730
1731
1732
1733
1734
1735
1736
1737
1738
1739
1740
1741
1742
1743
1744
1745
1746
1747
1748
1749
1750
1751
1752
1753
1754
1755
1756
1757
1758
1759
1760
1761
1762
1763
1764
1765
1766
1767
1768
1769
1770
1771
1772
1773
1774
1775
1776
1777
1778
1779
1780
1781
1782
1783
1784
1785
1786
1787
1788
1789
1790
1791
1792
1793
1794
1795
1796
1797
1798
1799
1800
1801
1802
1803
1804
1805
1806
1807
1808
1809
1810
1811
1812
1813
1814
1815
1816
1817
1818
1819
1820
1821
1822
1823
1824
1825
1826
1827
1828
1829
1830
1831
1832
1833
1834
1835
1836
1837
1838
1839
1840
1841
1842
1843
1844
1845
1846
1847
1848
1849
1850
1851
1852
1853
1854
1855
1856
1857
1858
1859
1860
1861
1862
1863
1864
1865
1866
1867
1868
1869
1870
1871
1872
1873
1874
1875
1876
1877
1878
1879
1880
1881
1882
1883
1884
1885
1886
1887
1888
1889
1890
1891
1892
1893
1894
1895
1896
1897
1898
1899
1900
1901
1902
1903
1904
1905
1906
1907
1908
1909
1910
1911
1912
1913
1914
1915
1916
1917
1918
1919
1920
1921
1922
1923
1924
1925
1926
1927
1928
1929
1930
1931
1932
1933
1934
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
2032
2033
2034
2035
2036
2037
2038
2039
2040
2041
2042
2043
2044
2045
2046
2047
2048
2049
2050
2051
2052
2053
2054
2055
2056
2057
2058
2059
2060
2061
2062
2063
2064
2065
2066
2067
2068
2069
2070
2071
2072
2073
2074
2075
2076
2077
2078
2079
2080
2081
2082
2083
2084
2085
2086
2087
2088
2089
2090
2091
2092
2093
2094
2095
2096
2097
2098
2099
2100
2101
2102
2103
2104
2105
2106
2107
2108
2109
2110
2111
2112
2113
2114
2115
2116
2117
2118
2119
2120
2121
2122
2123
2124
2125
2126
2127
2128
2129
2130
2131
2132
2133
2134
2135
2136
2137
2138
2139
2140
2141
2142
2143
2144
2145
2146
2147
2148
2149
2150
2151
2152
2153
2154
2155
2156
2157
2158
2159
2160
2161
2162
2163
2164
2165
2166
2167
2168
2169
2170
2171
2172
2173
2174
2175
2176
2177
2178
2179
2180
2181
2182
2183
2184
2185
2186
2187
2188
2189
2190
2191
2192
2193
2194
2195
2196
2197
2198
2199
2200
2201
2202
2203
2204
2205
2206
2207
2208
2209
2210
2211
2212
2213
2214
2215
2216
2217
2218
2219
2220
2221
2222
2223
2224
2225
2226
2227
2228
2229
2230
2231
2232
2233
2234
2235
2236
2237
2238
2239
2240
2241
2242
2243
2244
2245
2246
2247
2248
2249
2250
2251
2252
2253
2254
2255
2256
2257
2258
2259
2260
2261
2262
2263
2264
2265
2266
2267
2268
2269
2270
2271
2272
2273
2274
2275
2276
2277
2278
2279
2280
2281
2282
2283
2284
2285
2286
2287
2288
2289
2290
2291
2292
2293
2294
2295
2296
2297
2298
2299
2300
2301
2302
2303
2304
2305
2306
2307
2308
2309
2310
2311
2312
2313
2314
2315
2316
2317
2318
2319
2320
2321
2322
2323
2324
2325
2326
2327
2328
2329
2330
2331
2332
2333
2334
2335
2336
2337
2338
2339
2340
2341
2342
2343
2344
2345
2346
2347
2348
2349
2350
2351
2352
2353
2354
2355
2356
2357
2358
2359
2360
2361
2362
2363
2364
2365
2366
2367
2368
2369
2370
2371
2372
2373
2374
2375
2376
2377
2378
2379
2380
2381
2382
2383
2384
2385
2386
2387
2388
2389
2390
2391
2392
2393
2394
2395
2396
2397
2398
2399
2400
2401
2402
2403
2404
2405
2406
2407
2408
2409
2410
2411
2412
2413
2414
2415
2416
2417
2418
2419
2420
2421
2422
2423
2424
2425
2426
2427
2428
2429
2430
2431
2432
2433
2434
2435
2436
2437
2438
2439
2440
2441
2442
2443
2444
2445
2446
2447
2448
2449
2450
2451
2452
2453
2454
2455
2456
2457
2458
2459
2460
2461
2462
2463
2464
2465
2466
2467
2468
2469
2470
2471
2472
2473
2474
2475
2476
2477
2478
2479
2480
2481
2482
2483
2484
2485
2486
2487
2488
2489
2490
2491
2492
2493
2494
2495
2496
2497
2498
2499
2500
2501
2502
2503
2504
2505
2506
2507
2508
2509
2510
2511
2512
2513
2514
2515
2516
2517
2518
2519
2520
2521
2522
2523
2524
2525
2526
2527
2528
2529
2530
2531
2532
2533
2534
2535
2536
2537
2538
2539
2540
//! docparser PDF 后端:`pdfium-worker`(PDFium 常驻 worker 线程 + 通道请求/响应)。
//!
//! 架构(发布形态 06 + PDF_TODO"native 调用进 worker 线程"):
//!   * 一条 worker 线程独占持有 `Pdfium`(含裸指针,非 Sync),进程内只此一处 native
//!     状态;能力对象经 `mpsc` 通道发路径、收 `RawDoc`——避开了在 trait 对象里持有
//!     Pdfium 的 Send/Sync 困境,也与 Python 参考实现的 PDF-0.1 语义对齐。
//!   * 逐行抽取 text + bbox(pt,左上原点):走 text page 的 rect 分段
//!     (`FPDFText_CountRects` / `FPDFText_GetBoundedText`),与 Python 参考实现同粒度,
//!     且**包含 Form XObject 内文本**(代码清单/图表标注/水印——页对象列表看不到这些);
//!     支持 CJK CID 字体(PDFium 内建 CMap,不依赖 ToUnicode),解决 pdf-extract v1 的中文盲区。
//!   * 运行时 PDFium 库发现:`DOCPARSER_PDFIUM_LIB` → `<exe>/../lib` → home 下 conda 布局
//!     → 扫描常见 Python site-packages(Windows 上 `HOME` 往往为空,需 `USERPROFILE`)。
//!   * 错误分类:ENCRYPTED / CORRUPT。
//!   * 兜底后端 `pdfium-text-v1`(pdf-extract,纯 Rust):worker 缺失或解析失败时
//!     按 BackendPolicy 链回退(encrypted/unsupported 为终止码,不回退)。
//!
//! # 示例
//!
//! ```no_run
//! use docparser_core::{plugins, DocumentEngine, Registry};
//! use docparser_pdf::{LayoutMode, PdfOptions};
//!
//! # fn main() -> Result<(), Box<dyn std::error::Error>> {
//! let mut registry = Registry::new();
//! plugins::text::register_defaults(&mut registry);
//!
//! // 不重排版式 + 只解析前 20 页(等价 CLI `--layout-mode raw --max-pages 20`)
//! let options = PdfOptions::new()
//!     .with_layout_mode(LayoutMode::Raw)
//!     .with_max_pages(20);
//! docparser_pdf::register_with(&mut registry, &options);
//!
//! let doc = DocumentEngine::new(registry).parse("report.pdf")?;
//! println!("{} 页 / {} 字符", doc.pages.len(), doc.meta.text_length);
//! if let Some(pdf) = doc.meta.extra.get("pdf") {
//!     println!("pdf 元数据: {pdf}"); // pdf_version / complexity / truncated / layout_modes
//! }
//! # Ok(())
//! # }
//! ```

use std::sync::mpsc;
use std::sync::{Arc, Mutex, OnceLock};

use pdfium_render::prelude::*;

use docparser_core::error::{DocError, ErrorCode, Result};
use docparser_core::model::{BlockKind, Document, Page, Rect};
use docparser_core::plugin::{
    BackendKind, FormatPlugin, ParseCapability, RawDoc, RawImage, RawPage, RawTextItem,
};
use docparser_core::registry::Registry;

type Resp = Result<RawDoc>;

/// 版式模式(对齐 Python `layout_mode`:`auto` / `rebuild` / `raw`)。
#[derive(Debug, Clone, Copy, PartialEq, Eq, Default)]
pub enum LayoutMode {
    /// 自动(默认):行归并 + 表格识别 + 多栏排序。
    ///
    /// Rust 逐文本对象取 bbox,没有 Python 的「整页文本直取」路径,因此
    /// `Auto` 与 `Rebuild` 行为一致(保留三档是为了 CLI/配置与 Python 对齐)。
    #[default]
    Auto,
    /// 强制重排版式(同 `Auto`)。
    Rebuild,
    /// 不重排:按内容流顺序输出段落,不做行归并 / 表格 / 分栏。
    Raw,
}

impl LayoutMode {
    /// 模式名(CLI、日志、`meta.extra.pdf.layout_modes` 用)。
    pub fn as_str(self) -> &'static str {
        match self {
            LayoutMode::Auto => "auto",
            LayoutMode::Rebuild => "rebuild",
            LayoutMode::Raw => "raw",
        }
    }

    /// 解析模式名(大小写不敏感);非法值返回 `None`。
    pub fn parse(s: &str) -> Option<Self> {
        match s.trim().to_ascii_lowercase().as_str() {
            "auto" => Some(LayoutMode::Auto),
            "rebuild" => Some(LayoutMode::Rebuild),
            "raw" => Some(LayoutMode::Raw),
            _ => None,
        }
    }

    /// 是否做版式重排(`raw` 为 false)。
    pub fn reflows(self) -> bool {
        !matches!(self, LayoutMode::Raw)
    }
}

/// PDF 解析选项:后端(页数截断)与插件(版式模式)共享同一份配置。
#[derive(Debug, Clone, Default)]
pub struct PdfOptions {
    /// 版式模式,默认 `Auto`
    pub layout_mode: LayoutMode,
    /// 只解析前 N 页(对齐 Python `max_pages`);超出时结果标 `truncated`
    pub max_pages: Option<usize>,
}

impl PdfOptions {
    /// 默认选项(`Auto` + 不限页数)。
    pub fn new() -> Self {
        Self::default()
    }

    /// 设置版式模式(链式)。
    pub fn with_layout_mode(mut self, mode: LayoutMode) -> Self {
        self.layout_mode = mode;
        self
    }

    /// 设置页数上限(链式)。
    pub fn with_max_pages(mut self, pages: usize) -> Self {
        self.max_pages = Some(pages);
        self
    }
}

/// 运行时 PDFium 库发现:`DOCPARSER_PDFIUM_LIB` → 发布 bundle → 开发环境
/// pypdfium2 / liteparse 自带 → 扫描常见 Python site-packages → 无。
pub fn find_library() -> Option<std::path::PathBuf> {
    if let Ok(p) = std::env::var("DOCPARSER_PDFIUM_LIB") {
        let p = std::path::PathBuf::from(p);
        if p.exists() {
            return Some(p);
        }
    }
    #[cfg(target_os = "macos")]
    let name = "libpdfium.dylib";
    #[cfg(target_os = "linux")]
    let name = "libpdfium.so";
    #[cfg(target_os = "windows")]
    let name = "pdfium.dll";
    // P7 自包含发布:<exe>/../lib/<libpdfium> 优先(bundle 无 env 也可跑)
    if let Ok(exe) = std::env::current_exe() {
        if let Some(dir) = exe.parent() {
            let p = dir.join("..").join("lib").join(name);
            if p.exists() {
                return Some(p);
            }
        }
    }
    // 开发环境:miniconda 固定布局(历史路径,保留)+ 各 home 目录下的 conda 环境
    for home in home_dirs() {
        for base in [
            // liteparse 附带库(实测可与 pdfium-render 绑定成功)
            home.join("miniconda3/lib/python3.13/site-packages/liteparse"),
            // pypdfium2 v5 原生库独立分发包
            home.join("miniconda3/lib/python3.13/site-packages/pypdfium2_raw"),
            home.join("miniconda3/envs/kb/lib/python3.13/site-packages/pypdfium2_raw"),
            home.join("anaconda3/lib/python3.13/site-packages/pypdfium2_raw"),
        ] {
            let p = base.join(name);
            if p.exists() {
                return Some(p);
            }
        }
    }
    // 通用兜底:扫常见 Python 安装根下的 site-packages(Windows 上 HOME 常常为空,
    // 只有 USERPROFILE;pypdfium2_raw 自带 pdfium.dll,可直接绑定)
    for sp in python_site_packages() {
        for pkg in ["pypdfium2_raw", "liteparse"] {
            let p = sp.join(pkg).join(name);
            if p.exists() {
                return Some(p);
            }
        }
    }
    None
}

/// 可能的用户主目录:`HOME`(Unix/部分 Windows 配置)、`USERPROFILE`(Windows)、
/// `HOMEDRIVE`+`HOMEPATH`。去重且只保留存在的目录。
fn home_dirs() -> Vec<std::path::PathBuf> {
    let mut out: Vec<std::path::PathBuf> = Vec::new();
    for key in ["HOME", "USERPROFILE"] {
        if let Ok(v) = std::env::var(key) {
            let p = std::path::PathBuf::from(v);
            if p.is_dir() && !out.contains(&p) {
                out.push(p);
            }
        }
    }
    if let (Ok(drive), Ok(path)) = (std::env::var("HOMEDRIVE"), std::env::var("HOMEPATH")) {
        let p = std::path::PathBuf::from(format!("{drive}{path}"));
        if p.is_dir() && !out.contains(&p) {
            out.push(p);
        }
    }
    out
}

/// 常见 Python site-packages 目录(存在才返回),用于自动发现 pypdfium2 自带库。
fn python_site_packages() -> Vec<std::path::PathBuf> {
    let mut roots: Vec<std::path::PathBuf> = Vec::new();
    for home in home_dirs() {
        for conda in ["miniconda3", "anaconda3", "miniforge3"] {
            roots.push(home.join(conda).join("lib"));
            roots.push(home.join(conda).join("Lib"));
        }
        roots.push(home.join("AppData/Local/Programs/Python"));
        roots.push(home.join("AppData/Roaming/Python"));
        roots.push(home.join(".local/lib"));
        roots.push(home.join("Library/Python"));
    }
    #[cfg(target_os = "windows")]
    for key in ["LOCALAPPDATA", "PROGRAMFILES", "PROGRAMFILES(X86)"] {
        if let Ok(v) = std::env::var(key) {
            // `...\Programs\Python\Python312\Lib\site-packages` 与 `...\Python312\Lib\...`
            roots.push(std::path::PathBuf::from(&v).join("Programs/Python"));
            roots.push(std::path::PathBuf::from(&v));
        }
    }
    roots.push(std::path::PathBuf::from("/usr/lib"));
    roots.push(std::path::PathBuf::from("/usr/local/lib"));

    // 逐层展开:root 自身与其下形如 `pythonX.Y` / `Python3xx` 的子目录 → site-packages
    let mut out: Vec<std::path::PathBuf> = Vec::new();
    let mut push = |p: std::path::PathBuf| {
        if p.is_dir() && !out.contains(&p) {
            out.push(p);
        }
    };
    for root in roots {
        if !root.is_dir() {
            continue;
        }
        push(root.join("site-packages"));
        let Ok(entries) = std::fs::read_dir(&root) else {
            continue;
        };
        for e in entries.flatten() {
            let p = e.path();
            if !p.is_dir() {
                continue;
            }
            let name = p.file_name().and_then(|s| s.to_str()).unwrap_or_default();
            if name.starts_with("python") || name.starts_with("Python") {
                push(p.join("site-packages"));
                push(p.join("Lib/site-packages"));
            } else if name == "Lib" || name == "lib" {
                push(p.join("site-packages"));
            }
        }
    }
    out
}

fn classify(e: &PdfiumError) -> DocError {
    let msg = format!("{e}").to_lowercase();
    if msg.contains("password") || msg.contains("encrypt") || msg.contains("permission") {
        DocError::encrypted(format!("PDF 加密或权限受限: {e}"))
    } else {
        DocError::corrupt(format!("PDF 打开/解析失败: {e}"))
    }
}

static RENDER_SEQ: std::sync::atomic::AtomicUsize = std::sync::atomic::AtomicUsize::new(0);

pub fn find_ocr_binary() -> Option<std::path::PathBuf> {
    if let Ok(p) = std::env::var("DOCPARSER_OCR_BIN") {
        let p = std::path::PathBuf::from(p);
        if p.exists() {
            return Some(p);
        }
    }
    // 平台可执行后缀:Windows 是 `.exe`,其余为空(漏掉后缀会导致 OCR 永远「未找到」)
    let name = format!("docparser-ocr{}", std::env::consts::EXE_SUFFIX);
    // P7 自包含发布:与 CLI 同 bin 目录的 docparser-ocr
    if let Ok(exe) = std::env::current_exe() {
        if let Some(dir) = exe.parent() {
            let p = dir.join(&name);
            if p.exists() {
                return Some(p);
            }
        }
    }
    // 开发环境:workspace target(CARGO_MANIFEST_DIR 相对 = rust/pdf → rust/target)
    let target = std::path::Path::new(env!("CARGO_MANIFEST_DIR")).join("../target");
    let cands = [
        target.join("release").join(&name),
        target.join("debug").join(&name),
        std::path::PathBuf::from("rust/target/release").join(&name),
        std::path::PathBuf::from("rust/target/debug").join(&name),
    ];
    cands.into_iter().find(|c| c.exists())
}

pub fn find_ocr_models() -> Option<std::path::PathBuf> {
    if let Ok(p) = std::env::var("DOCPARSER_OCR_MODELS") {
        let p = std::path::PathBuf::from(p);
        if p.is_dir() {
            return Some(p);
        }
    }
    // P7 自包含发布:<exe>/../models/ocr/ppocrv5
    if let Ok(exe) = std::env::current_exe() {
        if let Some(dir) = exe.parent() {
            let p = dir.join("..").join("models/ocr/ppocrv5");
            if p.is_dir() {
                return Some(p);
            }
        }
    }
    let cands = [
        std::path::Path::new(env!("CARGO_MANIFEST_DIR")).join("../../models/ocr/ppocrv5"),
        std::path::PathBuf::from("models/ocr/ppocrv5"),
    ];
    cands.into_iter().find(|c| c.is_dir())
}

/// 乱码字符判定(对齐 Python `_is_garbled_char`):替换符 U+FFFD 与私用区 U+E000–U+F8FF。
fn is_garbled_char(ch: char) -> bool {
    let cp = ch as u32;
    ch == '\u{fffd}' || (0xE000..=0xF8FF).contains(&cp)
}

/// 页级复杂度判定(对齐 Python `compute_complexity`):
/// needs_ocr = chars<10(no-text / sparse-text)或 garbled_ratio>0.3。
fn page_needs_ocr(texts: &[String]) -> bool {
    let chars: usize = texts.iter().map(|t| t.trim().chars().count()).sum();
    if chars < 10 {
        return true;
    }
    let garbled: usize = texts
        .iter()
        .flat_map(|t| t.chars())
        .filter(|c| is_garbled_char(*c))
        .count();
    garbled as f32 / chars as f32 > 0.3
}

/// 常见位图扩展名嗅探(png/jpg/bmp/gif/webp);否则 None(走位图回退)。
fn sniff_ext(data: &[u8]) -> Option<&'static str> {
    if data.len() >= 8 && data.starts_with(&[0x89, b'P', b'N', b'G', 0x0D, 0x0A, 0x1A, 0x0A]) {
        return Some("png");
    }
    if data.len() >= 3 && data[0] == 0xFF && data[1] == 0xD8 && data[2] == 0xFF {
        return Some("jpg");
    }
    if data.len() >= 2 && data.starts_with(b"BM") {
        return Some("bmp");
    }
    if data.len() >= 4 && data.starts_with(b"GIF8") {
        return Some("gif");
    }
    if data.len() >= 12 && data.starts_with(b"RIFF") && &data[8..12] == b"WEBP" {
        return Some("webp");
    }
    None
}

/// 嵌入图去重键(对齐 Python `_page_images` 的 `dedup_key`):有字节 → **md5 十六进制**
/// (同一页里重复出现的 logo/水印出同键,消费方据此只存一份);无字节(lazy 路径未解码)
/// → `"{w}x{h}"` / `"{w}x{h}@{ext}"` 兜底,与 Python 的 `f"{px_w}x{px_h}@{fmt}"` 同形。
///
/// 注:md5 只在**同为原始流**时与 Python 逐字节一致(两侧都优先 `get_raw_image_data` /
/// `obj.extract()`);位图回退路径两侧的 PNG 编码器不同(Rust `image` vs Pillow),
/// 键会不同——同进程内去重仍然正确,跨载体只保证「有键、键形态一致」。
fn image_dedup_key(im: &RawImage) -> Option<String> {
    if im.data.is_empty() {
        let (w, h) = im.px?;
        // Python 恒为 `f"{px_w}x{px_h}@{fmt}"`(fmt 可能是空串)——保留尾部 `@` 以便逐键对齐
        return Some(format!("{w}x{h}@{}", im.ext));
    }
    use md5::Digest as _;
    Some(format!("{:x}", md5::Md5::digest(&im.data)))
}

/// 嵌入图 OCR 过滤(对齐 Python `_ocrable_image`):ext 白名单 + min(px)≥50。
fn ocrable_image(im: &RawImage) -> bool {
    if im.data.is_empty() {
        return false;
    }
    if !matches!(
        im.ext.as_str(),
        "png" | "jpg" | "jpeg" | "bmp" | "gif" | "webp"
    ) {
        return false;
    }
    if let Some((w, h)) = im.px {
        return w.min(h) >= 50;
    }
    false
}

/// 收集页内嵌入图片(含 Form XObject 嵌套,深度≤2,对齐 Python `_page_images`)。
/// bbox 换算页面 pt(左上原点)。
///
/// lazy 语义:默认(`ocr_images=false`)只取元数据(bbox/px)不解码字节,避免文本优先
/// 路径为图付解码成本(liteparse 关 OCR 语义);`extract_data=true` 时才取原始流/回退
/// 处理位图转 PNG(供嵌入图 OCR 使用)。
fn collect_page_images(
    doc: &PdfDocument,
    page: &PdfPage,
    h: f32,
    extract_data: bool,
) -> Vec<RawImage> {
    let mut out: Vec<RawImage> = Vec::new();
    descend(doc, page.objects().iter(), h, 0, extract_data, &mut out);
    out
}

fn descend<'a>(
    doc: &'a PdfDocument,
    objs: impl Iterator<Item = PdfPageObject<'a>>,
    h: f32,
    depth: usize,
    extract_data: bool,
    out: &mut Vec<RawImage>,
) {
    if depth > 2 {
        return;
    }
    for obj in objs {
        if let Some(img) = obj.as_image_object() {
            let bbox = obj.bounds().ok().map(|q| Rect {
                x0: q.left().value,
                y0: h - q.top().value,
                x1: q.right().value,
                y1: h - q.bottom().value,
            });
            let (px_w, px_h) = (
                img.width().ok().unwrap_or(0) as u32,
                img.height().ok().unwrap_or(0) as u32,
            );
            let mut data: Vec<u8> = Vec::new();
            let mut ext: String = String::new();
            if extract_data {
                // 原始流优先;未命中则回退处理位图 → PNG
                if let Ok(raw) = img.get_raw_image_data() {
                    if let Some(e) = sniff_ext(&raw) {
                        data = raw;
                        ext = e.to_string();
                    }
                }
                if data.is_empty() {
                    if let Ok(dyn_img) = img.get_processed_image(doc) {
                        let rgba = dyn_img.to_rgba8();
                        let (bw, bh) = rgba.dimensions();
                        let mut buf: Vec<u8> = Vec::new();
                        {
                            use image::ImageEncoder as _;
                            let enc = image::codecs::png::PngEncoder::new(std::io::BufWriter::new(
                                &mut buf,
                            ));
                            if enc
                                .write_image(&rgba, bw, bh, image::ExtendedColorType::Rgba8)
                                .is_ok()
                            {
                                data = buf;
                                ext = "png".to_string();
                            }
                        }
                    }
                }
            }
            out.push(RawImage {
                data,
                bbox,
                ext,
                px: Some((px_w, px_h)),
                ocr_text: None,
            });
        } else if let Some(form) = obj.as_x_object_form_object() {
            descend(doc, form.iter(), h, depth + 1, extract_data, out);
        }
    }
}

/// `DOCPARSER_OCR_IMAGES=1` → 开嵌入图 OCR(对齐 Python `policy.ocr_images` / bench env)。
fn ocr_images_enabled() -> bool {
    std::env::var("DOCPARSER_OCR_IMAGES").as_deref() == Ok("1")
}

/// OCR 总开关:`DOCPARSER_OCR_ENABLED=0/false` → 关闭(纯文本路径,与 lp OCR-off 同口径)。
/// 默认开启(对齐既有行为:needs_ocr 页自动整页渲染 OCR)。
fn ocr_enabled() -> bool {
    !matches!(
        std::env::var("DOCPARSER_OCR_ENABLED").as_deref(),
        Ok("0") | Ok("false")
    )
}

/// 逐行抽取页面文本,返回 `(items, texts)`。
///
/// 走 text page 的 rect 分段(`FPDFText_CountRects` / `FPDFText_GetBoundedText`),
/// 与 Python 参考实现同粒度;关键是**能拿到 Form XObject 内的文本**(代码清单、
/// 图表标注、印章/水印)——`page.objects()` 的页对象列表不含嵌入表单内部对象。
///
/// 对齐 Python `_page_text_rebuild`:rect 高度超过页高 25% 视为跨高条块
/// (页边徽标 / 竖排水印)跳过,否则 `get_text_bounded` 会把叠压正文一并吞入。
/// text page 不可用或分段为空时回退旧路径(逐对象),再退回整页文本。
fn extract_text_items(page: &PdfPage<'_>, page_h: f32) -> (Vec<RawTextItem>, Vec<String>) {
    let mut items: Vec<RawTextItem> = Vec::new();
    let mut texts: Vec<String> = Vec::new();

    if let Ok(text_page) = page.text() {
        for seg in text_page.segments().iter() {
            let s = seg.text();
            if s.trim().is_empty() {
                continue;
            }
            texts.push(s.clone());
            let b = seg.bounds();
            let height = (b.top().value - b.bottom().value).abs();
            if page_h > 0.0 && height > page_h * 0.25 {
                continue;
            }
            items.push(RawTextItem {
                text: s,
                bbox: Some(Rect {
                    x0: b.left().value,
                    y0: page_h - b.top().value,
                    x1: b.right().value,
                    y1: page_h - b.bottom().value,
                }),
                ..Default::default()
            });
        }
        if items.is_empty() {
            // 整页都是跨高条块 / 无 rect:整页文本兜底(对齐 Python 的回退分支)
            let whole = text_page.all();
            if !whole.trim().is_empty() {
                if texts.is_empty() {
                    texts.push(whole.clone());
                }
                items.push(RawTextItem {
                    text: whole,
                    bbox: None,
                    ..Default::default()
                });
            }
        }
    }

    if texts.is_empty() {
        // text page 不可用:回退逐对象(无 Form XObject 覆盖,但保住基础文本)
        for obj in page.objects().iter() {
            let Some(t) = obj.as_text_object() else {
                continue;
            };
            let s = t.text();
            if s.trim().is_empty() {
                continue;
            }
            texts.push(s.clone());
            let bbox = obj.bounds().ok().map(|q| Rect {
                x0: q.left().value,
                y0: page_h - q.top().value,
                x1: q.right().value,
                y1: page_h - q.bottom().value,
            });
            items.push(RawTextItem {
                text: s,
                bbox,
                ..Default::default()
            });
        }
    }

    (items, texts)
}

fn parse_one(pdfium: &Pdfium, path: &str, options: &PdfOptions) -> Resp {
    let doc = pdfium
        .load_pdf_from_file(path, None)
        .map_err(|e| classify(&e))?;
    let dpi = 200.0_f32;
    let mut meta: std::collections::HashMap<String, String> = std::collections::HashMap::new();
    meta.insert("pdf.version".into(), pdf_version_str(doc.version()));
    for (key, tag) in [
        ("pdf.title", PdfDocumentMetadataTagType::Title),
        ("pdf.author", PdfDocumentMetadataTagType::Author),
        ("pdf.producer", PdfDocumentMetadataTagType::Producer),
        ("pdf.creator", PdfDocumentMetadataTagType::Creator),
    ] {
        if let Some(tag_value) = doc.metadata().get(tag) {
            let v = tag_value.value().trim().to_string();
            if !v.is_empty() {
                meta.insert(key.into(), v);
            }
        }
    }
    // max_pages(对齐 Python):只解析前 N 页,超出标 truncated
    let total_pages = doc.pages().len() as usize;
    let limit = options.max_pages.unwrap_or(total_pages).min(total_pages);
    meta.insert("pdf.page_count".into(), total_pages.to_string());
    meta.insert("pdf.truncated".into(), (limit < total_pages).to_string());
    let mut complexity: Vec<serde_json::Value> = Vec::new();
    let mut page_errors: Vec<serde_json::Value> = Vec::new();
    let mut pages = Vec::new();
    let mut render_dir: Option<std::path::PathBuf> = None;
    let mut render_files: Vec<(usize, std::path::PathBuf)> = Vec::new();
    // 嵌入图 OCR 任务:全局序号 → (page_idx, images 内 idx, 临时文件)
    let mut img_dir: Option<std::path::PathBuf> = None;
    let mut img_seq = 0usize;
    let mut img_jobs: Vec<(usize, usize, usize)> = Vec::new();
    let mut img_files: Vec<(usize, std::path::PathBuf)> = Vec::new();
    let ocr_images = ocr_images_enabled();
    let ocr_on = ocr_enabled();
    for (pi, page) in doc.pages().iter().take(limit).enumerate() {
        let w = page.width().value;
        let h = page.height().value;
        // 逐行 rect 抽取(含 Form XObject 内文本;PDF 左下原点 → 左上原点已在函数内换算)
        let (items, texts) = extract_text_items(&page, h);
        let images = collect_page_images(&doc, &page, h, ocr_images);
        // 扫描/稀疏/乱码页:整页渲染(供 OCR 兜底,对应 Python needs_ocr 页);
        // OCR 总开关关闭时跳过(纯文本路径)
        if ocr_on && page_needs_ocr(&texts) {
            if render_dir.is_none() {
                let d = std::env::temp_dir().join(format!(
                    "docparser_pdf_render_{}_{}",
                    std::process::id(),
                    RENDER_SEQ.fetch_add(1, std::sync::atomic::Ordering::Relaxed),
                ));
                let _ = std::fs::create_dir_all(&d);
                render_dir = Some(d);
            }
            let dir = render_dir.as_ref().unwrap();
            let fn_name = format!("page-{pi:04}.png");
            let out_path = dir.join(&fn_name);
            let wpx = (w * dpi / 72.0).round() as i32;
            let hpx = (h * dpi / 72.0).round() as i32;
            match page.render(wpx, hpx, None) {
                Ok(bitmap) => {
                    let bw = bitmap.width() as u32;
                    let bh = bitmap.height() as u32;
                    let rgba = bitmap.as_rgba_bytes();
                    use image::ImageEncoder as _;
                    let Ok(file) = std::fs::File::create(&out_path) else {
                        page_errors.push(serde_json::json!({
                            "page": pi, "error": "无法创建渲染临时文件",
                        }));
                        continue;
                    };
                    let enc = image::codecs::png::PngEncoder::new(std::io::BufWriter::new(file));
                    if enc
                        .write_image(&rgba, bw, bh, image::ExtendedColorType::Rgba8)
                        .is_ok()
                    {
                        render_files.push((pi, out_path));
                    }
                }
                // 单页渲染失败不拖垮整篇(对齐 Python `page_errors`)
                Err(e) => page_errors.push(serde_json::json!({
                    "page": pi, "error": format!("{e}"),
                })),
            }
        } else if ocr_on && ocr_images {
            // 非扫描页嵌入图 OCR:needs_ocr 页整页渲染已覆盖图内容,跳过避免重复
            for (ki, im) in images.iter().enumerate() {
                if !ocrable_image(im) {
                    continue;
                }
                if img_dir.is_none() {
                    let d = std::env::temp_dir().join(format!(
                        "docparser_pdf_img_{}_{}",
                        std::process::id(),
                        RENDER_SEQ.fetch_add(1, std::sync::atomic::Ordering::Relaxed),
                    ));
                    let _ = std::fs::create_dir_all(&d);
                    img_dir = Some(d);
                }
                let dir = img_dir.as_ref().unwrap();
                let fn_name = format!("img-{img_seq:05}.{}", im.ext);
                let out_path = dir.join(&fn_name);
                if std::fs::write(&out_path, &im.data).is_ok() {
                    img_files.push((img_seq, out_path));
                    img_jobs.push((pi, ki, img_seq));
                    img_seq += 1;
                }
            }
        }
        // 页级复杂度(对齐 Python `compute_complexity`:chars / garbled_ratio / needs_ocr)
        let chars: usize = texts.iter().map(|t| t.trim().chars().count()).sum();
        let garbled = texts
            .iter()
            .flat_map(|t| t.chars())
            .filter(|c| is_garbled_char(*c))
            .count();
        complexity.push(serde_json::json!({
            "page": pi,
            "chars": chars,
            "garbled_ratio": if chars == 0 { 0.0 } else { garbled as f64 / chars as f64 },
            "needs_ocr": page_needs_ocr(&texts),
        }));
        // 旋转角(对齐 Python `page.rotation`)
        let rotation = page.rotation().ok().map(|r| match r {
            PdfPageRenderRotation::None => 0,
            PdfPageRenderRotation::Degrees90 => 90,
            PdfPageRenderRotation::Degrees180 => 180,
            PdfPageRenderRotation::Degrees270 => 270,
        });
        pages.push(RawPage {
            name: None,
            items,
            images,
            width: Some(w),
            height: Some(h),
            rotation,
            ..Default::default()
        });
    }

    // OCR 回填(needs_ocr 页):调 docparser-ocr(子进程,模型常驻于其自身)
    let mut any_ocr = false;
    if !render_files.is_empty() {
        if let Some(lines) = run_ocr(render_dir.as_ref().unwrap(), &render_files) {
            let scale = 72.0 / dpi;
            for (pi, items) in lines {
                if let Some(pg) = pages.get_mut(pi) {
                    pg.items = items
                        .into_iter()
                        .map(|(text, quad)| RawTextItem {
                            text,
                            bbox: Some(Rect {
                                x0: quad.iter().map(|p| p[0]).fold(f32::MAX, f32::min) * scale,
                                y0: quad.iter().map(|p| p[1]).fold(f32::MAX, f32::min) * scale,
                                x1: quad.iter().map(|p| p[0]).fold(f32::MIN, f32::max) * scale,
                                y1: quad.iter().map(|p| p[1]).fold(f32::MIN, f32::max) * scale,
                            }),
                            ..Default::default()
                        })
                        .collect();
                    any_ocr = true;
                }
            }
        }
    }

    // 嵌入图 OCR 回填(非 needs_ocr 页,opt-in:DOCPARSER_OCR_IMAGES=1)
    if !img_files.is_empty() {
        if let Some(lines) = run_ocr(img_dir.as_ref().unwrap(), &img_files) {
            for (gi, line_items) in lines {
                let Some(&(pi, ki, _)) = img_jobs.iter().find(|(_, _, g)| *g == gi) else {
                    continue;
                };
                let Some(pg) = pages.get_mut(pi) else {
                    continue;
                };
                let Some(im) = pg.images.get_mut(ki) else {
                    continue;
                };
                let ocr: Vec<&str> = line_items
                    .iter()
                    .map(|(s, _)| s.as_str())
                    .filter(|s| !s.trim().is_empty())
                    .collect();
                if !ocr.is_empty() {
                    im.ocr_text = Some(ocr.join("\n"));
                    any_ocr = true;
                }
            }
        }
    }

    // 跨页页眉页脚剔除(多页 stateful,顶/底 7% 边带 + 数字归一化重复)
    let hf = strip_headers_footers(&mut pages);

    let mut raw = RawDoc {
        pages,
        meta,
        needs_ocr: false,
    };
    if !hf.is_empty() {
        raw.meta.insert("headers_footers".into(), hf.join(" | "));
    }
    if let Ok(s) = serde_json::to_string(&complexity) {
        raw.meta.insert("pdf.complexity".into(), s);
    }
    if !page_errors.is_empty() {
        if let Ok(s) = serde_json::to_string(&page_errors) {
            raw.meta.insert("pdf.page_errors".into(), s);
        }
    }
    raw.needs_ocr = !any_ocr
        && raw.pages.iter().all(|p| {
            p.items
                .iter()
                .map(|i| i.text.chars().count())
                .sum::<usize>()
                < 10
        });
    Ok(raw)
}

/// `PdfDocumentVersion` → `"1.7"` 形式(对齐 Python `pdf_version`);未知返回空串。
fn pdf_version_str(v: PdfDocumentVersion) -> String {
    match v {
        PdfDocumentVersion::Unset => String::new(),
        PdfDocumentVersion::Pdf1_0 => "1.0".into(),
        PdfDocumentVersion::Pdf1_1 => "1.1".into(),
        PdfDocumentVersion::Pdf1_2 => "1.2".into(),
        PdfDocumentVersion::Pdf1_3 => "1.3".into(),
        PdfDocumentVersion::Pdf1_4 => "1.4".into(),
        PdfDocumentVersion::Pdf1_5 => "1.5".into(),
        PdfDocumentVersion::Pdf1_6 => "1.6".into(),
        PdfDocumentVersion::Pdf1_7 => "1.7".into(),
        PdfDocumentVersion::Pdf2_0 => "2.0".into(),
        PdfDocumentVersion::Other(n) => format!("{}.{}", n / 10, n % 10),
    }
}

fn _norm_repeat(text: &str) -> String {
    let mut out = String::with_capacity(text.len());
    let mut last_digit = false;
    for ch in text.chars() {
        if ch.is_ascii_digit() {
            if !last_digit {
                out.push('#');
                last_digit = true;
            }
        } else {
            last_digit = false;
            if !ch.is_whitespace() {
                out.push(ch);
            }
        }
    }
    out
}

/// 剔除在多页顶部/底部窄边带内重复出现的行;返回被剔除的去重文本。
/// 无 bbox / 单页 / 边带外不动作。band = 0.07 页高(与 Python `_strip_headers_footers` 一致)。
///
/// 注意:**先收集再重建**,不能边算边 `Vec::remove`——同一条边带内往往有多个重复文本
/// (页眉左标题 + 右页码、页脚作者 + 页码),第一个文本删完后面的索引就整体前移,
/// 第二个文本按旧索引再删会越界 panic(真实语料 2610.32982v1:`removal index (is 80)
/// should be < len (is 79)`)。Python 侧用 `(page, text, bbox)` 集合 + 重建,这里等价处理。
fn strip_headers_footers(pages: &mut [RawPage]) -> Vec<String> {
    if pages.len() < 2 {
        return Vec::new();
    }
    let n_with_h = pages.iter().filter(|p| p.height.is_some()).count();
    if n_with_h == 0 {
        return Vec::new();
    }
    let mut removed: Vec<String> = Vec::new();
    for zone in ["top", "bottom"] {
        let mut occ: std::collections::HashMap<String, Vec<(usize, usize)>> =
            std::collections::HashMap::new(); // (page_idx, item_idx)
        for (pi, page) in pages.iter().enumerate() {
            let Some(h) = page.height else { continue };
            let band = if zone == "top" { h * 0.07 } else { h * 0.93 };
            for (ii, it) in page.items.iter().enumerate() {
                let Some(bb) = it.bbox else { continue };
                let hit = if zone == "top" {
                    bb.y1 <= band
                } else {
                    bb.y0 >= band
                };
                if hit {
                    occ.entry(_norm_repeat(&it.text))
                        .or_default()
                        .push((pi, ii));
                }
            }
        }
        // 按「首次出现位置」排序处理,输出顺序与 Python 的 dict 插入顺序一致(可复现)
        let mut keys: Vec<(&String, &Vec<(usize, usize)>)> = occ.iter().collect();
        keys.sort_by_key(|(_, hits)| hits.first().copied().unwrap_or((usize::MAX, usize::MAX)));
        let mut drop: Vec<std::collections::BTreeSet<usize>> =
            vec![std::collections::BTreeSet::new(); pages.len()];
        for (norm, hits) in keys {
            if norm.is_empty() {
                continue;
            }
            let mut hit_pages: Vec<usize> = hits.iter().map(|(p, _)| *p).collect();
            hit_pages.sort_unstable();
            hit_pages.dedup();
            if hit_pages.len() >= 2 && hit_pages.len() as f32 >= 0.5 * n_with_h as f32 {
                for (pi, ii) in hits {
                    drop[*pi].insert(*ii);
                }
                if !removed.iter().any(|r| r == norm) {
                    removed.push(norm.clone());
                }
            }
        }
        for (pi, page) in pages.iter_mut().enumerate() {
            if drop[pi].is_empty() {
                continue;
            }
            let keep = std::mem::take(&mut page.items)
                .into_iter()
                .enumerate()
                .filter(|(i, _)| !drop[pi].contains(i))
                .map(|(_, it)| it)
                .collect();
            page.items = keep;
        }
    }
    removed
}

/// 常驻 OCR 引擎(`docparser-ocr serve`,stdin/stdout 行协议,模型只加载一次)。
/// 与 Python `_ResidentEngine` 同一契约:写一行图片路径 → 读一行
/// `{"file":..., "lines":[{box,text,score}...]}`。
struct ResidentOcr {
    child: std::process::Child,
    stdin: std::process::ChildStdin,
    stdout: std::io::BufReader<std::process::ChildStdout>,
}

impl ResidentOcr {
    fn spawn() -> Option<Self> {
        let bin = find_ocr_binary()?;
        let mut cmd = std::process::Command::new(&bin);
        cmd.arg("serve")
            .stdin(std::process::Stdio::piped())
            .stdout(std::process::Stdio::piped())
            .stderr(std::process::Stdio::null());
        if let Some(m) = find_ocr_models() {
            cmd.env("DOCPARSER_OCR_MODELS", m);
        }
        let mut child = cmd.spawn().ok()?;
        let stdin = child.stdin.take()?;
        let stdout = std::io::BufReader::new(child.stdout.take()?);
        Some(Self {
            child,
            stdin,
            stdout,
        })
    }

    fn recognize(&mut self, path: &std::path::Path) -> Option<Vec<serde_json::Value>> {
        use std::io::{BufRead as _, Write as _};
        writeln!(self.stdin, "{}", path.display()).ok()?;
        self.stdin.flush().ok()?;
        let mut line = String::new();
        if self.stdout.read_line(&mut line).ok()? == 0 {
            return None;
        }
        let v: serde_json::Value = serde_json::from_str(&line).ok()?;
        if v.get("error").is_some() {
            return Some(Vec::new());
        }
        Some(
            v.get("lines")
                .and_then(|l| l.as_array())
                .cloned()
                .unwrap_or_default(),
        )
    }
}

static OCR_SERVE: OnceLock<Mutex<Option<ResidentOcr>>> = OnceLock::new();

/// 用常驻引擎识别一批图片;任一环节失败返回 None(调用方回退批量子进程)。
fn serve_ocr(
    files: &[(usize, std::path::PathBuf)],
) -> Option<Vec<(usize, Vec<serde_json::Value>)>> {
    let lock = OCR_SERVE.get_or_init(|| Mutex::new(None));
    let mut guard = lock.lock().ok()?;
    if guard.is_none() {
        *guard = ResidentOcr::spawn();
    }
    let srv = guard.as_mut()?;
    let mut out = Vec::with_capacity(files.len());
    for (key, path) in files {
        match srv.recognize(path) {
            Some(lines) => out.push((*key, lines)),
            None => {
                // 进程异常:丢弃,让调用方回退批量模式
                if let Some(mut dead) = guard.take() {
                    let _ = dead.child.kill();
                }
                return None;
            }
        }
    }
    Some(out)
}

/// OCR 行解析:score ≥0.8 过滤 + 按 min-y 排序 → (text, quad)。
fn lines_from_entries(entries: &[serde_json::Value]) -> Vec<(String, Vec<[f32; 2]>)> {
    let mut items = Vec::new();
    for ent in entries {
        if let Some(s) = ent.get("score") {
            if s.as_f64().unwrap_or(0.0) < 0.8 {
                continue;
            }
        }
        let text = ent
            .get("text")
            .and_then(|t| t.as_str())
            .unwrap_or("")
            .to_string();
        if text.trim().is_empty() {
            continue;
        }
        let mut quad: Vec<[f32; 2]> = Vec::new();
        if let Some(boxes) = ent.get("box").and_then(|b| b.as_array()) {
            for p in boxes {
                let mut pt = [0.0_f32; 2];
                if let (Some(x), Some(y)) = (
                    p.get(0).and_then(|x| x.as_f64()),
                    p.get(1).and_then(|y| y.as_f64()),
                ) {
                    pt = [x as f32, y as f32];
                }
                quad.push(pt);
            }
        }
        items.push((text, quad));
    }
    items.sort_by(|a, b| {
        let ay = a.1.iter().map(|p| p[1]).fold(f32::MAX, f32::min);
        let by = b.1.iter().map(|p| p[1]).fold(f32::MAX, f32::min);
        ay.total_cmp(&by)
    });
    items
}

/// 一行 OCR 结果:文本 + 四边形(图像像素坐标,左上原点)。
type OcrLine = (String, Vec<[f32; 2]>);

/// 一次 OCR 调用的结果:输入序号 → 该页/该图的识别行。
type OcrPageLines = Vec<(usize, Vec<OcrLine>)>;

/// 对渲染出的扫描页/嵌入图批量 OCR:返回 (page_idx, [(text, quad), ...])。
/// quad 为图像像素坐标(左上原点),由调用方换算页面 pt。
/// 优先常驻 serve(模型只加载一次),不可用/失败回退批量子进程。
fn run_ocr(dir: &std::path::Path, files: &[(usize, std::path::PathBuf)]) -> Option<OcrPageLines> {
    if let Some(served) = serve_ocr(files) {
        let mut out = Vec::new();
        for (key, entries) in served {
            let items = lines_from_entries(&entries);
            if !items.is_empty() {
                out.push((key, items));
            }
        }
        return Some(out);
    }
    batch_ocr(dir, files)
}

fn batch_ocr(dir: &std::path::Path, files: &[(usize, std::path::PathBuf)]) -> Option<OcrPageLines> {
    let bin = find_ocr_binary()?;
    let out_json = dir.join("ocr.json");
    let mut cmd = std::process::Command::new(&bin);
    cmd.arg(dir).arg("--out").arg(&out_json);
    if let Some(m) = find_ocr_models() {
        cmd.env("DOCPARSER_OCR_MODELS", m);
    }
    let ok = cmd.output().map(|o| o.status.success()).unwrap_or(false);
    if !ok {
        return None;
    }
    let text = std::fs::read_to_string(&out_json).ok()?;
    let v: serde_json::Value = serde_json::from_str(&text).ok()?;
    let arr = v.as_array()?;
    let mut by_file: std::collections::HashMap<String, Vec<serde_json::Value>> =
        std::collections::HashMap::new();
    for ent in arr {
        if let (Some(f), Some(s)) = (ent.get("file"), ent.get("score")) {
            if s.as_f64().unwrap_or(0.0) >= 0.8 {
                by_file
                    .entry(f.as_str().unwrap_or("").to_string())
                    .or_default()
                    .push(ent.clone());
            }
        }
    }
    let mut out = Vec::new();
    for (pi, fp) in files {
        let key = fp
            .file_name()
            .and_then(|n| n.to_str())
            .unwrap_or("")
            .to_string();
        let Some(entries) = by_file.get(&key) else {
            continue;
        };
        let mut items = Vec::new();
        for ent in entries {
            let text = ent
                .get("text")
                .and_then(|t| t.as_str())
                .unwrap_or("")
                .to_string();
            if text.trim().is_empty() {
                continue;
            }
            let mut quad: Vec<[f32; 2]> = Vec::new();
            if let Some(boxes) = ent.get("box").and_then(|b| b.as_array()) {
                for p in boxes {
                    let mut pt = [0.0_f32; 2];
                    if let (Some(x), Some(y)) = (
                        p.get(0).and_then(|x| x.as_f64()),
                        p.get(1).and_then(|y| y.as_f64()),
                    ) {
                        pt = [x as f32, y as f32];
                    }
                    quad.push(pt);
                }
            }
            items.push((text, quad));
        }
        items.sort_by(|a, b| {
            let ay = a.1.iter().map(|p| p[1]).fold(f32::MAX, f32::min);
            let by = b.1.iter().map(|p| p[1]).fold(f32::MAX, f32::min);
            ay.total_cmp(&by)
        });
        if !items.is_empty() {
            out.push((*pi, items));
        }
    }
    Some(out)
}

/// worker 请求:PDF 路径 + 回包通道。
type WorkerReq = (String, PdfOptions, mpsc::Sender<Resp>);

/// worker 发送端(进程内单例持有,长驻线程消费)。
type WorkerTx = Arc<Mutex<mpsc::Sender<WorkerReq>>>;

fn worker_sender() -> Result<WorkerTx> {
    static WORKER: OnceLock<std::result::Result<WorkerTx, String>> = OnceLock::new();
    WORKER
        .get_or_init(|| {
            let file = find_library().ok_or_else(|| {
                "未找到 PDFium 动态库(设 DOCPARSER_PDFIUM_LIB 或安装 pypdfium2)".to_string()
            })?;
            let (tx, rx) = mpsc::channel::<(String, PdfOptions, mpsc::Sender<Resp>)>();
            std::thread::Builder::new()
                .name("docparser-pdfium".into())
                .spawn(move || {
                    let lib = file.to_str().ok_or("PDFium 路径非 UTF-8")?.to_string();
                    let bindings = Pdfium::bind_to_library(&lib).map_err(|e| format!("{e}"))?;
                    let pdfium = Pdfium::new(bindings);
                    for (path, options, resp_tx) in rx.iter() {
                        let _ = resp_tx.send(parse_one(&pdfium, &path, &options));
                    }
                    Ok::<(), String>(())
                })
                .map_err(|e| format!("{e}"))?;
            Ok(Arc::new(Mutex::new(tx)))
        })
        .as_ref()
        .map(Arc::clone)
        .map_err(|m| DocError::corrupt(m.clone()))
}

/// 主后端:PDFium worker(库可用才 available)。
#[derive(Debug, Clone, Default)]
pub struct PdfiumWorkerBackend {
    options: PdfOptions,
}

impl PdfiumWorkerBackend {
    /// 默认选项(`Auto`、不限页数)。
    pub fn new() -> Self {
        Self::default()
    }

    /// 指定解析选项(链式)。
    pub fn with_options(mut self, options: PdfOptions) -> Self {
        self.options = options;
        self
    }
}

impl ParseCapability for PdfiumWorkerBackend {
    fn id(&self) -> &str {
        "pdfium-worker"
    }
    fn formats(&self) -> &[&str] {
        &["pdf"]
    }
    fn kind(&self) -> BackendKind {
        BackendKind::Bundled
    }
    fn is_available(&self) -> bool {
        find_library().is_some()
    }
    fn parse(&self, path: &str) -> Result<RawDoc> {
        let tx = worker_sender()?
            .lock()
            .map_err(|_| DocError::corrupt("worker 锁"))?
            .clone();
        let (resp_tx, resp_rx) = mpsc::channel();
        tx.send((path.to_string(), self.options.clone(), resp_tx))
            .map_err(|_| DocError::corrupt("PDFium worker 已退出"))?;
        resp_rx
            .recv()
            .map_err(|_| DocError::corrupt("PDFium worker 无响应"))?
    }
}

/// 兜底后端 v1:pdf-extract(纯 Rust,无 dylib;CJK 无 ToUnicode 局限)。
#[derive(Debug, Clone, Default)]
pub struct PdfTextBackend {
    options: PdfOptions,
}

impl PdfTextBackend {
    /// 默认选项(不限页数)。
    pub fn new() -> Self {
        Self::default()
    }

    /// 指定解析选项(链式);本后端只用到 `max_pages`。
    pub fn with_options(mut self, options: PdfOptions) -> Self {
        self.options = options;
        self
    }
}

impl ParseCapability for PdfTextBackend {
    fn id(&self) -> &str {
        "pdfium-text-v1"
    }
    fn formats(&self) -> &[&str] {
        &["pdf"]
    }
    fn kind(&self) -> BackendKind {
        BackendKind::Bundled
    }
    fn parse(&self, path: &str) -> Result<RawDoc> {
        let per_page = std::panic::catch_unwind(|| pdf_extract::extract_text_by_pages(path))
            .map_err(|_| {
                DocError::corrupt(
                    "pdf-extract v1 无法解析该 PDF(CJK CID/无 ToUnicode,需 pdfium-worker)",
                )
            })?
            .map_err(|e| {
                let msg = format!("{e}").to_lowercase();
                if msg.contains("password") || msg.contains("encrypt") || msg.contains("permission")
                {
                    DocError::encrypted(format!("PDF 加密或权限受限: {e}"))
                } else {
                    DocError::corrupt(format!("PDF 解析失败: {e}"))
                }
            })?;
        // max_pages(对齐 Python):只取前 N 页
        let total = per_page.len();
        let limit = self.options.max_pages.unwrap_or(total).min(total);
        let truncated = limit < total;
        let pages: Vec<RawPage> = per_page
            .into_iter()
            .take(limit)
            .map(|page_text| RawPage {
                name: None,
                items: page_text
                    .lines()
                    .map(|l| RawTextItem {
                        text: l.to_string(),
                        ..Default::default()
                    })
                    .filter(|it| !it.text.trim().is_empty())
                    .collect(),
                ..Default::default()
            })
            .filter(|p| !p.items.is_empty())
            .collect();
        if pages.is_empty() {
            return Err(DocError::corrupt("PDF 无有效文本层"));
        }
        let mut raw = RawDoc {
            pages,
            meta: Default::default(),
            needs_ocr: false,
        };
        raw.meta
            .insert("pdf.truncated".into(), truncated.to_string());
        raw.needs_ocr = raw.pages.iter().all(|p| {
            p.items
                .iter()
                .map(|i| i.text.chars().count())
                .sum::<usize>()
                < 10
        });
        Ok(raw)
    }
}

// ---------------------------------------------------------------- layout(对照 Python process/layout.py)

/// 行级归一:把逐字/逐词 rect 合并成行级 item(对照 Python `_merge_line_fragments`)。
/// 无 bbox 的项(如 v1 兜底后端)原样保留,排在结果头部。
fn merge_lines(items: Vec<RawTextItem>) -> Vec<RawTextItem> {
    let no_bb: Vec<RawTextItem> = items
        .iter()
        .filter(|it| it.bbox.is_none())
        .cloned()
        .collect();
    let with_bb: Vec<(usize, RawTextItem)> = items
        .into_iter()
        .enumerate()
        .filter(|(_, it)| it.bbox.is_some())
        .collect();
    let mut lines: Vec<Vec<(usize, RawTextItem)>> = Vec::new();
    let mut sorted = with_bb.clone();
    sorted.sort_by(|a, b| {
        a.1.bbox
            .unwrap()
            .y0
            .total_cmp(&b.1.bbox.unwrap().y0)
            .then(a.1.bbox.unwrap().x0.total_cmp(&b.1.bbox.unwrap().x0))
    });
    for ent in &sorted {
        let bb = ent.1.bbox.unwrap();
        let mut placed = false;
        for line in lines.iter_mut() {
            // 基线对齐判同行(对齐 Python `_line_bottom_height` + `_merge_line_fragments`):
            // 底边差 ≤ 0.3×(行代表高 + 候选高)。用纵向重叠会在密排行距≈字高时
            // 把相邻行误并(Python 侧已实测过这个坑)。
            let lb = line
                .iter()
                .map(|e| e.1.bbox.unwrap().y1)
                .fold(f32::MAX, f32::min);
            let lh = line
                .iter()
                .map(|e| e.1.bbox.unwrap().y1 - e.1.bbox.unwrap().y0)
                .fold(f32::MIN, f32::max);
            let bh = bb.y1 - bb.y0;
            if (lb - bb.y1).abs() <= 0.3 * (lh + bh) {
                line.push(ent.clone());
                placed = true;
                break;
            }
        }
        if !placed {
            lines.push(vec![ent.clone()]);
        }
    }
    let mut out: Vec<RawTextItem> = Vec::new();
    for mut line in lines {
        line.sort_by(|a, b| a.1.bbox.unwrap().x0.total_cmp(&b.1.bbox.unwrap().x0));
        let mut cur: Option<(String, Rect)> = None;
        for (_i, it) in line {
            let bb = it.bbox.unwrap();
            match &mut cur {
                None => cur = Some((it.text.clone(), bb)),
                Some((t, cb)) => {
                    let gap = bb.x0 - cb.x1;
                    let h = (cb.y1 - cb.y0).min(bb.y1 - bb.y0);
                    if gap <= (6.0_f32).max(0.6 * h) {
                        let sep = if gap > 0.2 * h { " " } else { "" };
                        *t = format!("{t}{sep}{}", it.text);
                        *cb = Rect {
                            x0: cb.x0.min(bb.x0),
                            y0: cb.y0.min(bb.y0),
                            x1: cb.x1.max(bb.x1),
                            y1: cb.y1.max(bb.y1),
                        };
                    } else {
                        out.push(RawTextItem {
                            text: std::mem::take(t),
                            bbox: Some(*cb),
                            ..Default::default()
                        });
                        cur = Some((it.text.clone(), bb));
                    }
                }
            }
        }
        if let Some((t, cb)) = cur {
            out.push(RawTextItem {
                text: t,
                bbox: Some(cb),
                ..Default::default()
            });
        }
    }
    out.splice(0..0, no_bb); // 无 bbox 项置于头部(顺序即原内容序)
    out
}

fn detect_table(lines: &[RawTextItem]) -> Option<(Vec<Vec<String>>, Vec<bool>)> {
    // y 聚行:与 Python `_group_lines` 同口径——**基线对齐**(底边差 ≤ 0.3×(行高+字高))。
    // 用「纵向重叠 > 50%」在密排行距≈字高时会把相邻行并成一行(真实语料 05404 整栏坍缩);
    // arxiv p8(Transformer 变体表)会因此丢掉 (A)/(B)/(D) 行(该行两个单元格被并成一格 <3 格)。
    let mut rows: Vec<Vec<RawTextItem>> = Vec::new();
    let mut sorted: Vec<&RawTextItem> = lines.iter().collect();
    sorted.sort_by(|a, b| {
        let (ab, bb) = (a.bbox.unwrap(), b.bbox.unwrap());
        ab.y0.total_cmp(&bb.y0).then(ab.x0.total_cmp(&bb.x0))
    });
    for it in sorted {
        let bb = it.bbox.unwrap();
        let bh = bb.y1 - bb.y0;
        let mut placed = false;
        for row in rows.iter_mut() {
            let lh = row
                .iter()
                .map(|r| r.bbox.unwrap().y1 - r.bbox.unwrap().y0)
                .fold(f32::MIN, f32::max);
            let lb = row
                .iter()
                .map(|r| r.bbox.unwrap().y1)
                .fold(f32::MAX, f32::min);
            if (lb - bb.y1).abs() <= 0.3 * (lh + bh) {
                row.push(it.clone());
                placed = true;
                break;
            }
        }
        if !placed {
            rows.push(vec![it.clone()]);
        }
    }
    rows.sort_by(|a, b| {
        a.iter()
            .map(|r| r.bbox.unwrap().y0)
            .fold(f32::MAX, f32::min)
            .total_cmp(
                &b.iter()
                    .map(|r| r.bbox.unwrap().y0)
                    .fold(f32::MAX, f32::min),
            )
    });
    if rows.len() < 2 {
        return None;
    }
    // x0 聚类(列锚点,容差 8pt)
    let mut xs: Vec<f32> = lines.iter().map(|it| it.bbox.unwrap().x0).collect();
    xs.sort_by(f32::total_cmp);
    let mut anchors: Vec<f32> = Vec::new();
    for x in xs {
        if anchors.is_empty() || x - *anchors.last().unwrap() > 8.0 {
            anchors.push(x);
        }
    }
    if anchors.len() < 3 {
        return None;
    }
    let col_of = |x: f32| -> usize {
        let mut best = 0usize;
        let mut bd = f32::MAX;
        for (i, a) in anchors.iter().enumerate() {
            let d = (x - a).abs();
            if d < bd {
                bd = d;
                best = i;
            }
        }
        best
    };
    let mut grid: Vec<Vec<RawTextItem>> = Vec::new();
    for mut row in rows {
        row.sort_by(|a, b| a.bbox.unwrap().x0.total_cmp(&b.bbox.unwrap().x0));
        let mut merged: Vec<RawTextItem> = Vec::new();
        for it in row {
            let bb = it.bbox.unwrap();
            match merged.last_mut() {
                Some(prev) if col_of(prev.bbox.unwrap().x0) == col_of(bb.x0) => {
                    prev.text = format!("{}{}", prev.text, it.text);
                    let pb = prev.bbox.unwrap();
                    prev.bbox = Some(Rect {
                        x0: pb.x0.min(bb.x0),
                        y0: pb.y0.min(bb.y0),
                        x1: pb.x1.max(bb.x1),
                        y1: pb.y1.max(bb.y1),
                    });
                }
                _ => merged.push(it),
            }
        }
        if merged.len() >= 3 {
            grid.push(merged);
        }
    }
    if grid.len() < 2 {
        return None;
    }
    let counts: Vec<usize> = grid.iter().map(|r| r.len()).collect();
    let modal = counts
        .iter()
        .max_by_key(|c| counts.iter().filter(|x| x == c).count())
        .copied()
        .unwrap_or(0);
    if modal < 3 {
        return None;
    }
    let consistent = counts.iter().filter(|c| **c == modal).count() as f32 / grid.len() as f32;
    if consistent < 0.6 {
        return None;
    }
    let used_keys: Vec<(f32, f32)> = grid
        .iter()
        .flat_map(|r| r.iter())
        .map(|it| {
            let b = it.bbox.unwrap();
            (b.x0, b.y0)
        })
        .collect();
    let used: Vec<bool> = lines
        .iter()
        .map(|it| {
            let b = it.bbox.unwrap();
            used_keys.contains(&(b.x0, b.y0))
        })
        .collect();
    // 表格区域自洽性:真表格的 bbox 内几乎只有表格行。若 bbox 内还散落着大量未入表的
    // 文本(正文/图注),说明这是「正文行 + 图内小字号标签」被并成多列造成的误判——
    // 典型后果是正文句子被逗号拼接的标签掰断(2026-10-26 tracemonkey p9)。
    let trect = {
        let hits: Vec<Rect> = lines
            .iter()
            .zip(&used)
            .filter(|(_, u)| **u)
            .map(|(it, _)| it.bbox.unwrap())
            .collect();
        Rect {
            x0: hits.iter().map(|r| r.x0).fold(f32::MAX, f32::min),
            y0: hits.iter().map(|r| r.y0).fold(f32::MAX, f32::min),
            x1: hits.iter().map(|r| r.x1).fold(f32::MIN, f32::max),
            y1: hits.iter().map(|r| r.y1).fold(f32::MIN, f32::max),
        }
    };
    let inside = |b: Rect| {
        b.x0 >= trect.x0 - 1.0
            && b.x1 <= trect.x1 + 1.0
            && b.y0 >= trect.y0 - 1.0
            && b.y1 <= trect.y1 + 1.0
    };
    let cells_len: Vec<usize> = grid
        .iter()
        .flat_map(|r| r.iter())
        .map(|it| it.text.chars().count())
        .collect();
    let in_table: usize = cells_len.iter().sum();
    let long_ratio = if cells_len.is_empty() {
        0.0
    } else {
        cells_len.iter().filter(|n| **n > 40).count() as f32 / cells_len.len() as f32
    };
    let stray: usize = lines
        .iter()
        .zip(&used)
        .filter(|(it, u)| !**u && inside(it.bbox.unwrap()))
        .map(|(it, _)| it.text.chars().count())
        .sum();
    if stray > in_table && long_ratio >= 0.2 {
        return None;
    }
    // 行内「长句独大」:一行里 ≥1 个 ≥40 字符的单元格,且比该行其余单元格都大 3 倍以上
    // —— 真表格(尤其数字表)不会这样;这是「正文一列 + 图内短标签」的典型形态
    //(tracemonkey p1:`inner loop header, but the outer loop he` + `Bytecodes` + `Overhead`)。
    let lopsided = grid
        .iter()
        .filter(|r| {
            let lens: Vec<usize> = r.iter().map(|it| it.text.chars().count()).collect();
            if lens.len() < 2 {
                return false;
            }
            let max = *lens.iter().max().unwrap_or(&0);
            if max < 40 {
                return false;
            }
            let rest = lens
                .iter()
                .filter(|n| **n != max)
                .max()
                .copied()
                .unwrap_or(0);
            rest > 0 && max >= 3 * rest
        })
        .count();
    if !grid.is_empty() && lopsided as f32 / grid.len() as f32 >= 0.5 {
        return None;
    }
    let rows_out: Vec<Vec<String>> = grid
        .into_iter()
        .map(|r| r.into_iter().map(|it| it.text).collect())
        .collect();
    Some((rows_out, used))
}

/// 多栏阅读顺序:只对「原序明显左右逐行交错」的页重排(与 Python `_column_order` 同口径)。
///
/// 很多 PDF(LaTeX/Word 导出)的内容流本身就是栏序,盲目重排只会把好顺序改坏
/// (实测 arxiv 论文会从 sim 0.99 掉到 0.86)。因此先用「相邻行同 y 且 x0 相差 > 半页宽」
/// 的比例做交错指纹,低于阈值一律保持原序。
///
/// 确认交错后与 Python 同序走两条路:
/// ① **沟槽法**(`order_by_gutter`):窄项的 x 占位直方图找栏间零占位带——LaTeX/双栏论文
///    的常态,最稳;
/// ② 沟槽被跨栏元素填平/切分失败时回退**行首 x0 聚类**(`order_by_leads`)。
///
/// 只有一条路(聚类)时,表格页的多列 x0(页眉单元格 210/233/270/320/359…)会在
/// `0.25×页宽` 的阈值下链式并成一栏 → 整页放弃重排(真实语料 2610.32874v1 p7)。
fn column_order(items: Vec<RawTextItem>) -> Vec<RawTextItem> {
    if items.len() < 4 {
        return items;
    }
    let (x_min, x_max) = items.iter().fold((f32::MAX, f32::MIN), |(lo, hi), it| {
        let b = it.bbox.unwrap();
        (lo.min(b.x0), hi.max(b.x1))
    });
    let span = x_max - x_min;
    if span <= 1.0 || interleaved_ratio(&items, span) < 0.25 {
        return items;
    }
    if let Some(out) = order_by_gutter(&items, x_min, x_max, span) {
        return out;
    }
    order_by_leads(items, span)
}

/// 沟槽法(对齐 Python `_column_order` 的 `occ` 直方图分支):窄项在 x 轴上的零占位带
/// 即栏沟;按沟槽切出的每段各成一栏,栏内自上而下。跨栏元素(宽度 > 0.6×内容宽)不参与
/// 占位统计(否则跨栏标题/图注会把栏沟填平),但仍参与按中心点归栏。
fn order_by_gutter(
    items: &[RawTextItem],
    x_min: f32,
    x_max: f32,
    span: f32,
) -> Option<Vec<RawTextItem>> {
    const MIN_GUTTER: usize = 20;
    let n = span as usize + 1;
    if n <= MIN_GUTTER * 3 {
        return None;
    }
    let wide = span * 0.6;
    let mut occ = vec![0usize; n];
    for it in items {
        let b = it.bbox.unwrap();
        if (b.x1 - b.x0) > wide {
            continue;
        }
        let lo = ((b.x0 - x_min).max(0.0) as usize).min(n - 1);
        let hi = (((b.x1 - x_min) as usize).min(n - 1)).max(lo);
        for v in occ.iter_mut().take(hi + 1).skip(lo) {
            *v += 1;
        }
    }
    let mut gutters: Vec<(usize, usize)> = Vec::new();
    let mut run: Option<usize> = None;
    for (i, v) in occ.iter().enumerate() {
        if *v == 0 {
            if run.is_none() {
                run = Some(i);
            }
        } else if let Some(s) = run.take() {
            if i - s >= MIN_GUTTER {
                gutters.push((s, i));
            }
        }
    }
    if let Some(s) = run {
        if n - s >= MIN_GUTTER {
            gutters.push((s, n));
        }
    }
    if gutters.is_empty() {
        return None;
    }

    let center = |b: Rect| (b.x0 + b.x1) / 2.0;
    let count_in = |lo: f32, hi: f32| {
        items
            .iter()
            .filter(|it| {
                let c = center(it.bbox.unwrap());
                c >= lo && c < hi
            })
            .count()
    };
    let mut bounds: Vec<(f32, f32)> = Vec::new();
    let mut prev = x_min;
    for (g0, g1) in &gutters {
        let seg = (prev, x_min + *g0 as f32);
        if count_in(seg.0, seg.1) >= 2 {
            bounds.push(seg);
            prev = x_min + *g1 as f32;
        }
    }
    let last = (prev, x_max);
    if !bounds.is_empty() && count_in(last.0, last.1) >= 2 {
        bounds.push(last);
    }
    if bounds.len() < 2 {
        return None;
    }
    let mut out: Vec<RawTextItem> = Vec::with_capacity(items.len());
    for (lo, hi) in &bounds {
        let mut col: Vec<RawTextItem> = items
            .iter()
            .filter(|it| {
                let c = center(it.bbox.unwrap());
                c >= *lo && c < *hi
            })
            .cloned()
            .collect();
        col.sort_by(|a, b| {
            let (ab, bb) = (a.bbox.unwrap(), b.bbox.unwrap());
            ab.y0.total_cmp(&bb.y0).then(ab.x0.total_cmp(&bb.x0))
        });
        out.extend(col);
    }
    // 跨栏元素(中心落在栏沟内)不在任何栏内 → 沟槽法不适用,交给聚类回退
    if out.len() != items.len() {
        return None;
    }
    Some(out)
}

/// 视觉行行首 x0 列表 `(行首 x0, 行宽)`(对齐 Python `_group_lines` + `_split_visual_lines`):
/// 先按基线聚组成"行",再在横向间隙处切开——CJK 逐字 rect / 单词级 fragment 的小间隙不切,
/// 左栏行尾与右栏行首、表格单元格之间的大间隙切开。切开后每段的行首 x0 才代表"栏的起点"。
fn visual_line_leads(items: &[RawTextItem]) -> Vec<(f32, f32)> {
    let mut order: Vec<&RawTextItem> = items.iter().collect();
    order.sort_by(|a, b| {
        let (ab, bb) = (a.bbox.unwrap(), b.bbox.unwrap());
        ab.y0.total_cmp(&bb.y0).then(ab.x0.total_cmp(&bb.x0))
    });
    let mut bands: Vec<Vec<Rect>> = Vec::new();
    for it in order {
        let b = it.bbox.unwrap();
        let bh = b.y1 - b.y0;
        let mut placed = false;
        for band in bands.iter_mut() {
            let lb = band.iter().map(|r| r.y1).fold(f32::MAX, f32::min);
            let lh = band.iter().map(|r| r.y1 - r.y0).fold(f32::MIN, f32::max);
            if (lb - b.y1).abs() <= 0.3 * (lh + bh) {
                band.push(b);
                placed = true;
                break;
            }
        }
        if !placed {
            bands.push(vec![b]);
        }
    }
    let frag = |seg: &[Rect]| -> (f32, f32) {
        let x0 = seg.iter().map(|r| r.x0).fold(f32::MAX, f32::min);
        let x1 = seg.iter().map(|r| r.x1).fold(f32::MIN, f32::max);
        (x0, x1 - x0)
    };
    let mut out: Vec<(f32, f32)> = Vec::new();
    for mut band in bands {
        band.sort_by(|a, b| a.x0.total_cmp(&b.x0));
        let mut cur: Vec<Rect> = vec![band[0]];
        for b in band.into_iter().skip(1) {
            let prev = *cur.last().unwrap();
            let h = ((prev.y1 - prev.y0).min(b.y1 - b.y0)).max(1.0);
            if b.x0 - prev.x1 > (2.0 * h).max(12.0) {
                out.push(frag(&cur));
                cur = vec![b];
            } else {
                cur.push(b);
            }
        }
        out.push(frag(&cur));
    }
    out
}

/// 行首 x0 单链接聚类分栏(对齐 Python `_cluster_by_x`)。
/// 不能用 `[x0, x1]` 区间合并:居中跨栏图注/窄跨栏图虽然宽度 < 60% 页宽,却横跨栏沟,
/// 区间合并会把右栏起点并进左栏(tracemonkey p11:图注 162..446 吞掉 317 的右栏)。
///
/// 聚类输入必须是**视觉行行首**(`visual_line_leads`),不是逐项 x0:表格页逐项 x0 有
/// 十几个不同值(单元格 210/233/270/320/359…),在 `0.25×页宽` 阈值下会链式并成一栏,
/// 整页放弃重排(真实语料 2610.32874v1 p7 `sim` 0.318)。成员 < 3 的孤立起点
/// (居中图注、短缩进)不作栏锚点,交给「最后一个 ≤ x0 的栏起点」归栏。
fn order_by_leads(items: Vec<RawTextItem>, span: f32) -> Vec<RawTextItem> {
    let wide = span * 0.6;
    let per_line = visual_line_leads(&items);
    if per_line.len() < 4 {
        return items;
    }
    let mut leads: Vec<f32> = per_line
        .iter()
        .filter(|(_, w)| *w <= wide)
        .map(|(x, _)| *x)
        .collect();
    if leads.len() < 4 {
        return items;
    }
    leads.sort_by(|a, b| a.total_cmp(b));
    // 阈值用**行首 x0 自己的跨度**(对齐 Python `_cluster_by_x`:`span = xs[-1] - xs[0]`),
    // 不能用整页内容跨度:表格页 bbox span(504)会把 thr 抬到 126pt,行首 118 → 244 这一步
    // 就跨过去了,十几个起点链成一簇 → 放弃重排(2610.32874 p7 `sim` 0.318)。
    let lead_span = leads.last().copied().unwrap_or(0.0) - leads.first().copied().unwrap_or(0.0);
    if lead_span <= 40.0 {
        return items;
    }
    let thr = (lead_span * 0.25).max(40.0);
    let mut groups: Vec<Vec<f32>> = Vec::new();
    for a in leads {
        match groups.last_mut() {
            Some(g) if a - *g.last().unwrap() <= thr => g.push(a),
            _ => groups.push(vec![a]),
        }
    }
    let cols: Vec<f32> = groups
        .iter()
        .filter(|g| g.len() >= 3)
        .map(|g| g[0])
        .collect();
    if cols.len() < 2 {
        return items;
    }

    // 归栏:按「最后一个 ≤ x0 的栏起点」归档(跨栏元素 x0 在首栏 → 归首栏)
    let total = items.len();
    let mut buckets: Vec<Vec<usize>> = vec![Vec::new(); cols.len()];
    for (i, it) in items.iter().enumerate() {
        let bx = it.bbox.unwrap().x0;
        let mut idx = 0;
        for (c, s) in cols.iter().enumerate() {
            if bx >= *s - 0.5 {
                idx = c;
            }
        }
        buckets[idx].push(i);
    }
    // 双栏硬校验(对齐 Python `_cluster_by_x`):前两栏各 ≥3 行,且次栏要有足够多「与首栏
    // 同一水平带(|Δy0| < 12pt)」的行。单栏文档的缩进/居中标题也会聚出第二个簇,但它们与
    // 首栏不同行——不校验就重排,正文会被读成「先全部首栏、再全部次栏」。
    if buckets[0].len() < 3 || buckets[1].len() < 3 {
        return items;
    }
    let left_ys: Vec<f32> = buckets[0]
        .iter()
        .map(|&i| items[i].bbox.unwrap().y0)
        .collect();
    let paired = buckets[1]
        .iter()
        .filter(|&&i| {
            let y = items[i].bbox.unwrap().y0;
            left_ys.iter().any(|ly| (y - ly).abs() < 12.0)
        })
        .count();
    if (paired as f32) / (buckets[1].len() as f32) < 0.3 {
        return items;
    }
    let mut out = Vec::with_capacity(total);
    for bucket in &mut buckets {
        bucket.sort_by(|&a, &b| {
            let (ay, ax) = (items[a].bbox.unwrap().y0, items[a].bbox.unwrap().x0);
            let (by, bx) = (items[b].bbox.unwrap().y0, items[b].bbox.unwrap().x0);
            ay.total_cmp(&by).then(ax.total_cmp(&bx))
        });
        out.extend(bucket.iter().map(|&i| items[i].clone()));
    }
    debug_assert_eq!(out.len(), total);
    out
}

/// 相邻行中「同 y 但 x0 相差超过半页宽」的比例——左右逐行交错的指纹。
fn interleaved_ratio(items: &[RawTextItem], span: f32) -> f32 {
    if items.len() < 2 {
        return 0.0;
    }
    let half = (span * 0.5).max(1.0);
    let mut hits = 0usize;
    for w in items.windows(2) {
        let a = w[0].bbox.unwrap();
        let b = w[1].bbox.unwrap();
        if (b.y0 - a.y0).abs() < 3.0 && (b.x0 - a.x0).abs() >= half {
            hits += 1;
        }
    }
    hits as f32 / (items.len() - 1) as f32
}

fn assemble(raw: &RawDoc, mode: LayoutMode) -> Document {
    let pages: Vec<Page> = raw
        .pages
        .iter()
        .map(|rp| {
            // ① 行级归一(CJK 逐字 rect → 行级 item);`raw` 模式跳过
            let (lines, all_bbox) = if mode.reflows() {
                let lines = merge_lines(rp.items.clone());
                let all_bbox = lines.iter().all(|it| it.bbox.is_some());
                (lines, all_bbox)
            } else {
                (rp.items.clone(), false)
            };
            // ② 表格检测(≥3 列 + ≥60% 行一致性);有任一无 bbox 项 / raw 模式则跳过
            let (table_rows, used, table_rect) =
                match if all_bbox { detect_table(&lines) } else { None } {
                    Some((rows, used)) => {
                        let rect = {
                            let hits: Vec<Rect> = lines
                                .iter()
                                .zip(&used)
                                .filter(|(_, u)| **u)
                                .map(|(it, _)| it.bbox.unwrap())
                                .collect();
                            if hits.is_empty() {
                                None
                            } else {
                                Some(Rect {
                                    x0: hits.iter().map(|r| r.x0).fold(f32::MAX, f32::min),
                                    y0: hits.iter().map(|r| r.y0).fold(f32::MAX, f32::min),
                                    x1: hits.iter().map(|r| r.x1).fold(f32::MIN, f32::max),
                                    y1: hits.iter().map(|r| r.y1).fold(f32::MIN, f32::max),
                                })
                            }
                        };
                        (Some(rows), used, rect)
                    }
                    None => (None, vec![false; lines.len()], None),
                };
            // ③ 剩余段落 → 多栏阅读顺序
            let paras: Vec<RawTextItem> = lines
                .iter()
                .zip(&used)
                .filter(|(_, u)| !**u)
                .map(|(it, _)| it.clone())
                .collect();
            let ordered: Vec<RawTextItem> = if all_bbox { column_order(paras) } else { paras };
            // ④ 块与页文本:段落保持(栏序)顺序;表格按 y0 插入首个更低段落之前
            let mut blocks: Vec<docparser_core::model::Block> = Vec::new();
            if let Some(rows) = &table_rows {
                blocks.push(docparser_core::model::Block {
                    kind: BlockKind::Table,
                    table: Some(docparser_core::model::TableData {
                        rows: rows.clone(),
                        ..Default::default()
                    }),
                    bbox: table_rect,
                    ..Default::default()
                });
            }
            for it in &ordered {
                blocks.push(docparser_core::model::Block {
                    kind: BlockKind::Paragraph,
                    content: it.text.clone(),
                    bbox: it.bbox,
                    ..Default::default()
                });
            }
            let mut parts: Vec<String> = ordered.iter().map(|it| it.text.clone()).collect();
            if let Some(rows) = &table_rows {
                let ty = table_rect.map(|r| r.y0).unwrap_or(0.0);
                let table_text = rows
                    .iter()
                    .map(|r| r.join(","))
                    .collect::<Vec<_>>()
                    .join("\n");
                // 表格插入到首个 y 更低段落之前;空页/整页表格直接置首
                let mut idx = parts.len();
                for (k, it) in ordered.iter().enumerate() {
                    if it.bbox.map(|r| r.y0).unwrap_or(f32::MAX) > ty {
                        idx = k;
                        break;
                    }
                }
                parts.insert(idx, table_text);
            }
            // ④ 嵌入图 OCR 文本并入页文本(KB 语义:页文本 + "\n" + 图 OCR;有才并入)
            let imgs: Vec<docparser_core::model::Image> = rp
                .images
                .iter()
                .map(|im| docparser_core::model::Image {
                    bbox: im.bbox,
                    dedup_key: image_dedup_key(im),
                    ocr_text: im.ocr_text.clone(),
                    ..Default::default()
                })
                .collect();
            for im in &imgs {
                if let Some(t) = &im.ocr_text {
                    if !t.trim().is_empty() {
                        parts.push(t.clone());
                    }
                }
            }
            let text = parts
                .into_iter()
                .filter(|s| !s.trim().is_empty())
                .collect::<Vec<_>>()
                .join("\n");
            Page {
                blocks,
                text,
                images: imgs,
                width: rp.width,
                height: rp.height,
                rotation: rp.rotation,
                ..Default::default()
            }
        })
        .collect();

    let mut doc = Document {
        pages,
        ..Default::default()
    };
    // 逐项对齐 Python `meta.extra["pdf"]` 白名单(值是 JSON,避免改 core 的 String map)
    let mut pdf: serde_json::Map<String, serde_json::Value> = serde_json::Map::new();
    for (src, dst) in [
        ("pdf.version", "pdf_version"),
        ("pdf.title", "title"),
        ("pdf.author", "author"),
        ("pdf.producer", "producer"),
        ("pdf.creator", "creator"),
        ("headers_footers", "headers_footers"),
    ] {
        if let Some(v) = raw.meta.get(src) {
            pdf.insert(dst.to_string(), serde_json::Value::String(v.clone()));
        }
    }
    for (src, dst) in [
        ("pdf.complexity", "complexity"),
        ("pdf.page_errors", "page_errors"),
    ] {
        if let Some(v) = raw.meta.get(src) {
            if let Ok(parsed) = serde_json::from_str::<serde_json::Value>(v) {
                pdf.insert(dst.to_string(), parsed);
            }
        }
    }
    pdf.insert(
        "truncated".to_string(),
        serde_json::Value::Bool(
            raw.meta
                .get("pdf.truncated")
                .map(|s| s == "true")
                .unwrap_or(false),
        ),
    );
    pdf.insert(
        "layout_modes".to_string(),
        serde_json::json!(vec![mode.as_str(); doc.pages.len()]),
    );
    if let Ok(s) = serde_json::to_string(&pdf) {
        doc.meta.extra.insert("pdf".to_string(), s);
    }
    doc.meta
        .extra
        .insert("needs_ocr".to_string(), raw.needs_ocr.to_string());
    doc
}

/// PDF 插件:`assemble` 里做行归并 / 表格 / 分栏(版式模式可配)。
#[derive(Debug, Clone, Default)]
pub struct PdfPlugin {
    options: PdfOptions,
}

impl PdfPlugin {
    /// 默认插件(`LayoutMode::Auto`)。
    pub fn new() -> Self {
        Self::default()
    }

    /// 指定选项(链式),常用 `with_layout_mode(LayoutMode::Raw)` 关掉版式重排。
    pub fn with_options(mut self, options: PdfOptions) -> Self {
        self.options = options;
        self
    }
}

impl FormatPlugin for PdfPlugin {
    fn id(&self) -> &str {
        "pdf"
    }
    fn formats(&self) -> &[&str] {
        &["pdf"]
    }
    fn default_parse_chain(&self) -> Vec<&'static str> {
        // worker 优先;worker 缺失或解析失败时回退 v1(encrypted/unsupported 终止码由 engine 处理)
        vec!["pdfium-worker", "pdfium-text-v1"]
    }
    fn default_process_chain(&self) -> Vec<&'static str> {
        vec![]
    }
    fn assemble(&self, raw: &RawDoc) -> Document {
        assemble(raw, self.options.layout_mode)
    }
}

/// 注册 PDF 后端(worker 可用才注册;v1 恒可用)与插件(默认选项)。
pub fn register_defaults(reg: &mut Registry) {
    register_with(reg, &PdfOptions::default());
}

/// 注册 PDF 后端与插件,并注入解析选项(版式模式 / 页数上限)。
pub fn register_with(reg: &mut Registry, options: &PdfOptions) {
    reg.register_parse(
        Arc::new(PdfTextBackend::new().with_options(options.clone())),
        None,
    )
    .unwrap();
    if find_library().is_some() {
        reg.register_parse(
            Arc::new(PdfiumWorkerBackend::new().with_options(options.clone())),
            None,
        )
        .unwrap();
    }
    reg.register_plugin(Arc::new(PdfPlugin::new().with_options(options.clone())));
}

/// 便于外部核对终止码语义。
pub fn is_terminal(e: &DocError) -> bool {
    matches!(e.code, ErrorCode::Encrypted | ErrorCode::Unsupported)
}

#[cfg(test)]
mod tests {
    use super::*;

    fn item(text: &str, x0: f32, y0: f32, x1: f32, y1: f32) -> RawTextItem {
        RawTextItem {
            text: text.to_string(),
            bbox: Some(Rect { x0, y0, x1, y1 }),
            ..Default::default()
        }
    }

    fn order_stream(items: Vec<RawTextItem>) -> Vec<RawTextItem> {
        column_order(items)
    }

    fn raw_image(data: Vec<u8>, ext: &str, px: Option<(u32, u32)>) -> RawImage {
        RawImage {
            data,
            bbox: None,
            ext: ext.to_string(),
            px,
            ocr_text: None,
        }
    }

    /// 去重键:有字节 → md5 十六进制(与 Python `hashlib.md5(data).hexdigest()` 同值)
    #[test]
    fn image_dedup_key_hashes_bytes() {
        let im = raw_image(b"abc".to_vec(), "png", Some((60, 40)));
        assert_eq!(
            image_dedup_key(&im).as_deref(),
            Some("900150983cd24fb0d6963f7d28e17f72")
        );
        // 同字节 → 同键(同页重复 logo 只存一份的前提)
        let same = raw_image(b"abc".to_vec(), "jpg", Some((10, 10)));
        assert_eq!(image_dedup_key(&im), image_dedup_key(&same));
        let other = raw_image(b"abd".to_vec(), "png", Some((60, 40)));
        assert_ne!(image_dedup_key(&im), image_dedup_key(&other));
    }

    /// 无字节(lazy 路径未解码)→ `"{w}x{h}"` / `"{w}x{h}@{ext}"` 兜底,与 Python 同形;
    /// 连像素尺寸都没有时给 None(不编造键,避免把装饰图都聚成同一个键)。
    #[test]
    fn image_dedup_key_falls_back_to_size() {
        assert_eq!(
            image_dedup_key(&raw_image(Vec::new(), "png", Some((120, 80)))).as_deref(),
            Some("120x80@png")
        );
        assert_eq!(
            image_dedup_key(&raw_image(Vec::new(), "", Some((120, 80)))).as_deref(),
            Some("120x80@")
        );
        assert_eq!(image_dedup_key(&raw_image(Vec::new(), "png", None)), None);
    }

    #[test]
    fn layout_mode_parses_roundtrip() {
        for (s, m) in [
            ("auto", LayoutMode::Auto),
            ("REBUILD", LayoutMode::Rebuild),
            (" raw ", LayoutMode::Raw),
        ] {
            let parsed = LayoutMode::parse(s).expect("应可解析");
            assert_eq!(parsed, m);
            assert_eq!(parsed.as_str(), m.as_str());
        }
        assert!(LayoutMode::parse("fast").is_none());
        assert!(LayoutMode::Auto.reflows() && LayoutMode::Rebuild.reflows());
        assert!(!LayoutMode::Raw.reflows());
        assert_eq!(LayoutMode::default(), LayoutMode::Auto);
    }

    #[test]
    fn pdf_version_maps_to_dotted_string() {
        assert_eq!(pdf_version_str(PdfDocumentVersion::Pdf1_7), "1.7");
        assert_eq!(pdf_version_str(PdfDocumentVersion::Pdf2_0), "2.0");
        assert_eq!(pdf_version_str(PdfDocumentVersion::Other(21)), "2.1");
        assert_eq!(pdf_version_str(PdfDocumentVersion::Unset), "");
    }

    /// 同一条边带内多个重复文本(页眉标题 + 页码)必须全部剔除且不 panic:
    /// 旧实现按 HashMap 顺序边算边 `Vec::remove`,先删的会让后一个 key 的索引整体前移
    /// → 越界(真实语料 2610.32982v1:`removal index (is 80) should be < len (is 79)`)。
    #[test]
    fn strip_headers_footers_removes_multiple_repeated_texts() {
        let page = || RawPage {
            items: vec![
                item("Conf Title", 10.0, 5.0, 300.0, 15.0),
                item("正文第一行", 10.0, 100.0, 300.0, 112.0),
                item("正文第二行", 10.0, 120.0, 300.0, 132.0),
                item("123", 550.0, 5.0, 580.0, 15.0),
            ],
            width: Some(595.0),
            height: Some(842.0),
            ..Default::default()
        };
        let mut pages = vec![page(), page(), page()];
        let removed = strip_headers_footers(&mut pages);
        assert_eq!(removed.len(), 2, "两条重复页眉都应记录:{removed:?}");
        for p in &pages {
            let texts: Vec<&str> = p.items.iter().map(|i| i.text.as_str()).collect();
            assert_eq!(texts, vec!["正文第一行", "正文第二行"], "只应保留正文行");
        }
    }

    /// 同一行的逐字 fragment(基线一致、间隙小)合并成一个 item。
    #[test]
    fn merge_lines_joins_fragments_on_same_baseline() {
        let out = merge_lines(vec![
            item("北", 10.0, 100.0, 22.0, 112.0),
            item("京", 22.0, 100.5, 34.0, 112.5),
            item("市", 34.0, 100.0, 46.0, 112.0),
        ]);
        assert_eq!(out.len(), 1);
        assert_eq!(out[0].text, "北京市");
    }

    /// 基线对齐判同行:行距紧(≈字高)时不能把相邻两行并成一行
    /// (旧口径「纵向重叠 > 50%」会误并,Python 侧已实测)。
    #[test]
    fn merge_lines_keeps_tightly_spaced_lines_apart() {
        let out = merge_lines(vec![
            item("第一行", 10.0, 100.0, 60.0, 112.0),
            item("第二行", 10.0, 113.0, 60.0, 125.0),
        ]);
        assert_eq!(out.len(), 2, "行距 1pt 也应判为两行:{:?}", out);
    }

    /// 同一基线但水平间隙超过 max(6pt, 0.6×字高):不并(跨栏/跨单元格场景)。
    #[test]
    fn merge_lines_splits_on_large_horizontal_gap() {
        let out = merge_lines(vec![
            item("左栏", 10.0, 100.0, 40.0, 112.0),
            item("右栏", 200.0, 100.0, 230.0, 112.0),
        ]);
        assert_eq!(out.len(), 2);
        assert_eq!(out[0].text, "左栏");
        assert_eq!(out[1].text, "右栏");
    }

    /// 左右逐行交错的双栏页:按栏重排成「左栏读完再右栏」。
    #[test]
    fn column_order_reorders_interleaved_two_columns() {
        let mut items = Vec::new();
        for i in 0..4 {
            let y = 100.0 + i as f32 * 12.0;
            items.push(item(&format!("左{i}"), 54.0, y, 293.0, y + 8.0));
            items.push(item(&format!("右{i}"), 317.0, y, 556.0, y + 8.0));
        }
        let out = order_stream(items);
        let texts: Vec<&str> = out.iter().map(|it| it.text.as_str()).collect();
        assert_eq!(
            texts,
            vec!["左0", "左1", "左2", "左3", "右0", "右1", "右2", "右3"],
            "双栏应读成栏序而非左右逐行交错"
        );
    }

    /// 居中窄图注(宽 < 60% 页宽,但横跨栏沟)不能把右栏并入左栏
    /// (tracemonkey p11 回归:旧口径按 [x0,x1] 区间合并锚点,图注 162..446 吞掉 317 的右栏)。
    #[test]
    fn column_order_keeps_right_column_with_centered_caption() {
        let mut items = Vec::new();
        for i in 0..4 {
            let y = 100.0 + i as f32 * 12.0;
            items.push(item(&format!("左{i}"), 54.0, y, 293.0, y + 8.0));
            items.push(item(&format!("右{i}"), 317.0, y, 556.0, y + 8.0));
        }
        items.push(item("居中图注", 162.0, 400.0, 446.0, 408.0));
        let out = order_stream(items);
        let texts: Vec<&str> = out.iter().map(|it| it.text.as_str()).collect();
        assert_eq!(
            texts,
            vec![
                "左0",
                "左1",
                "左2",
                "左3",
                "居中图注",
                "右0",
                "右1",
                "右2",
                "右3"
            ],
            "图注按 x0 归首栏,右栏仍须整段在后:{:?}",
            texts
        );
    }

    /// 聚类阈值必须用**行首 x0 自己的跨度**(Python `_cluster_by_x` 口径),不能用整页内容跨度:
    /// 表格页内容跨度大、行首分布窄,用内容跨度会把 54→150 这种 96pt 的间隔一起吞掉,
    /// 十几个起点链成一簇后放弃重排(2610.32874 p7 `sim` 0.318)。
    #[test]
    fn order_by_leads_threshold_uses_lead_span() {
        let mut items = Vec::new();
        for i in 0..5 {
            let y = 100.0 + i as f32 * 12.0;
            items.push(item(&format!("左{i}"), 54.0, y, 140.0, y + 8.0));
            items.push(item(&format!("右{i}"), 319.0, y, 560.0, y + 8.0));
        }
        for i in 0..3 {
            let y = 100.0 + i as f32 * 12.0;
            items.push(item(&format!("中{i}"), 160.0, y, 210.0, y + 8.0));
        }
        // 内容跨度 506(旧口径 thr=126 → 54/150 链成一栏);行首跨度 265(新口径 thr≈66)
        let out = order_by_leads(items, 506.0);
        let texts: Vec<&str> = out.iter().map(|it| it.text.as_str()).collect();
        let last_left = texts.iter().rposition(|t| t.starts_with("左")).unwrap();
        let first_mid = texts.iter().position(|t| t.starts_with("中")).unwrap();
        assert!(
            first_mid > last_left,
            "行首 150 应自成栏、不能让 54 与 150 合并:{texts:?}"
        );
    }

    /// 单栏页 + 居中大标题:标题行首 x0 也会聚成第二簇,但没有「与首栏同一水平带」的行,
    /// 必须放弃重排(对齐 Python `_cluster_by_x` 的双栏硬校验)。
    /// 旧实现只判 `cols.len() >= 2`,会把正文读成「先全部正文行、再把标题搬到末尾」。
    #[test]
    fn order_by_leads_rejects_centered_title_single_column() {
        let mut items = Vec::new();
        // 3 行居中标题(行首 200),下方 6 行正文(行首 54);行宽都 ≤0.6×内容跨度,
        // 才不会被 `visual_line_leads` 的「宽项不作栏锚点」过滤掉(否则函数直接早退、测不到校验)
        for i in 0..3 {
            let y = 100.0 + i as f32 * 12.0;
            items.push(item("TITLE", 200.0, y, 380.0, y + 10.0));
        }
        for i in 0..6 {
            let y = 150.0 + i as f32 * 12.0;
            items.push(item(&format!("正文{i}"), 54.0, y, 300.0, y + 8.0));
        }
        let before: Vec<String> = items.iter().map(|it| it.text.clone()).collect();
        let out = order_by_leads(items, 506.0);
        let after: Vec<String> = out.iter().map(|it| it.text.clone()).collect();
        assert_eq!(after, before, "居中标题 + 正文的单栏页不应被分栏重排");
    }

    /// 内容流本身已是栏序(LaTeX/Word 导出)的页不重排——交错指纹低于阈值即保持原序。
    #[test]
    fn column_order_keeps_sequential_flow_untouched() {
        let mut items = Vec::new();
        for i in 0..4 {
            let y = 100.0 + i as f32 * 12.0;
            items.push(item(&format!("左{i}"), 54.0, y, 293.0, y + 8.0));
        }
        for i in 0..4 {
            let y = 100.0 + i as f32 * 12.0;
            items.push(item(&format!("右{i}"), 317.0, y, 556.0, y + 8.0));
        }
        let before: Vec<String> = items.iter().map(|it| it.text.clone()).collect();
        let out = order_stream(items);
        let after: Vec<String> = out.iter().map(|it| it.text.clone()).collect();
        assert_eq!(after, before, "已是栏序的页不应被重排");
    }

    /// 行内单元格基线参差(行首标签比数字高 1.5pt)时仍按视觉行分组
    /// (arxiv p8 表 3 回归:旧的「纵向重叠 > 50%」口径把 (A)/(B)/(D) 行并没了,8 行只剩 5 行)。
    #[test]
    fn detect_table_groups_rows_with_offset_label_cells() {
        let mut lines = Vec::new();
        for i in 0..8 {
            let y = 100.0 + i as f32 * 10.0;
            lines.push(item("(A) ", 100.0, y + 0.5, 140.0, y + 9.5));
            lines.push(item("16", 200.0, y, 230.0, y + 8.0));
            lines.push(item("32", 300.0, y, 330.0, y + 8.0));
            lines.push(item("4.91", 400.0, y, 430.0, y + 8.0));
        }
        let (rows, used) = detect_table(&lines).expect("应认定为表格");
        assert_eq!(rows.len(), 8, "8 个视觉行应保持 8 行:{:?}", rows);
        assert_eq!(rows[0].len(), 4);
        assert_eq!(used.iter().filter(|u| **u).count(), 32);
    }

    /// 无 bbox 项(v1 兜底后端)原样保留在头部,且不参与合并。
    #[test]
    fn merge_lines_keeps_bboxless_items() {
        let out = merge_lines(vec![
            RawTextItem {
                text: "无坐标".into(),
                ..Default::default()
            },
            item("有坐标", 10.0, 100.0, 40.0, 112.0),
        ]);
        assert_eq!(out.len(), 2);
        assert_eq!(out[0].text, "无坐标");
        assert!(out[0].bbox.is_none());
        assert_eq!(out[1].text, "有坐标");
    }

    fn raw_doc_with_two_lines() -> RawDoc {
        RawDoc {
            pages: vec![RawPage {
                items: vec![
                    // 间隙 4pt:> 0.2×字高 → 补一个空格(西文单词分隔)
                    item("Hello", 10.0, 100.0, 50.0, 112.0),
                    item("World", 54.0, 100.0, 94.0, 112.0),
                ],
                width: Some(595.0),
                height: Some(842.0),
                ..Default::default()
            }],
            ..Default::default()
        }
    }

    /// `Auto` 走版式重排(同行 fragment 合并成一个段落);`Raw` 保持内容流原样。
    #[test]
    fn assemble_honours_layout_mode() {
        let raw = raw_doc_with_two_lines();

        let auto = assemble(&raw, LayoutMode::Auto);
        assert_eq!(auto.pages[0].blocks.len(), 1, "同行片段应合并");
        assert_eq!(auto.pages[0].blocks[0].content, "Hello World");

        let raw_mode = assemble(&raw, LayoutMode::Raw);
        assert_eq!(raw_mode.pages[0].blocks.len(), 2, "raw 不合并");
        assert_eq!(raw_mode.pages[0].blocks[0].content, "Hello");
        assert_eq!(raw_mode.pages[0].blocks[1].content, "World");

        let pdf: serde_json::Value =
            serde_json::from_str(&raw_mode.meta.extra["pdf"]).expect("pdf 元数据应为 JSON");
        assert_eq!(pdf["layout_modes"], serde_json::json!(["raw"]));
        assert_eq!(pdf["truncated"], serde_json::json!(false));
        assert_eq!(raw_mode.meta.extra["needs_ocr"], "false");
    }

    /// 短单元格 + 稳定列锚点 → 认表(不能因为收紧判据把真表格判掉)。
    #[test]
    fn detect_table_accepts_short_cells() {
        let cols = [
            ("Region", 54.0, 100.0),
            ("Share", 200.0, 60.0),
            ("Note", 320.0, 70.0),
        ];
        let mut lines = Vec::new();
        for r in 0..3 {
            let y = 100.0 + r as f32 * 12.0;
            for (t, x, w) in cols {
                lines.push(item(&format!("{t}{r}"), x, y, x + w, y + 8.0));
            }
        }
        let hit = detect_table(&lines).expect("短单元格应认表");
        assert_eq!(hit.0.len(), 3, "应识别出 3 行");
    }

    /// 正文长句 + 右侧图内小字号标签被并成 3 列:bbox 内仍散落正文,长句占比高 → 不认表。
    /// 回归来源:tracemonkey p9(图区误判,正文被逗号拼接的标签掰断,见 REAL_CHECKLIST)。
    #[test]
    fn detect_table_rejects_prose_rows_with_figure_labels() {
        let prose = "Like most interpreters, SpiderMonkey has a foreign function interface that \
                     allows it to call C builtins and host system functions at runtime";
        let stray =
            "the interpreter API implementation functions to re-materialize the call stack \
                     on demand, which costs extra work per exit; ";
        let mut lines = Vec::new();
        for r in 0..3 {
            let y = 100.0 + r as f32 * 20.0;
            lines.push(item(prose, 54.0, y, 292.0, y + 8.0));
            lines.push(item("?>9@AJ.0A:</C./8-2", 300.0, y, 380.0, y + 6.0));
            lines.push(item("7<>;./89-@/#3'4", 400.0, y, 470.0, y + 6.0));
        }
        // 只占一列的正文行:不满足 3 列 → 不进表格,但落在表格 bbox 内
        for y in [110.0_f32, 130.0] {
            lines.push(item(&stray.repeat(4), 54.0, y, 292.0, y + 8.0));
        }
        assert!(
            detect_table(&lines).is_none(),
            "正文长句 + 图内标签不应被认成表格"
        );
    }

    /// 行内「长句独大」:正文长句 + 两个短标签凑成的行 → 不认表。
    /// 回归来源:tracemonkey p1(图 1 的代码清单标签与正文行凑成 3 列)。
    #[test]
    fn detect_table_rejects_lopsided_row() {
        let prose = "inner loop header, but the outer loop header is where the trace begins";
        let mut lines = Vec::new();
        for (r, (label_a, label_b)) in [("Bytecodes", "Overhead"), ("Record", "Enter")]
            .iter()
            .enumerate()
        {
            let y = 100.0 + r as f32 * 20.0;
            lines.push(item(prose, 54.0, y, 292.0, y + 8.0));
            lines.push(item(label_a, 300.0, y, 350.0, y + 6.0));
            lines.push(item(label_b, 400.0, y, 450.0, y + 6.0));
        }
        assert!(
            detect_table(&lines).is_none(),
            "正文长句 + 短标签列不应被认成表格"
        );
    }

    /// 选项构造:默认 Auto/不限页;`with_*` 链式覆盖。
    #[test]
    fn pdf_options_builder() {
        let d = PdfOptions::default();
        assert_eq!(d.layout_mode, LayoutMode::Auto);
        assert_eq!(d.max_pages, None);

        let o = PdfOptions::new()
            .with_layout_mode(LayoutMode::Raw)
            .with_max_pages(5);
        assert_eq!(o.layout_mode, LayoutMode::Raw);
        assert_eq!(o.max_pages, Some(5));
    }

    #[test]
    #[ignore = "需本机 PDFium 动态库"]
    fn probe_worker_cjk() {
        let p = "/Users/zerojzheng/CODE/hi-agents/documents/docparser/python/bench/corpus/text_plain.pdf";
        match worker_sender() {
            Err(e) => eprintln!("worker init: {e}"),
            Ok(tx) => {
                let tx = tx.lock().unwrap().clone();
                let (rtx, rrx) = mpsc::channel();
                tx.send((p.to_string(), PdfOptions::default(), rtx))
                    .unwrap();
                match rrx.recv() {
                    Ok(Ok(raw)) => {
                        let n: usize = raw.pages.iter().map(|pg| pg.items.len()).sum();
                        let s: usize = raw
                            .pages
                            .iter()
                            .flat_map(|pg| &pg.items)
                            .map(|i| i.text.chars().count())
                            .sum();
                        eprintln!("ok: pages={} items={} chars={}", raw.pages.len(), n, s);
                    }
                    Ok(Err(e)) => eprintln!("worker parse err: code={} msg={}", e.code, e.message),
                    Err(e) => eprintln!("channel: {e}"),
                }
            }
        }
    }
}