"""
pdf_extractor.py — Extracción de texto de PDFs judiciales.

Sin LLM. Sin interpretación. Solo texto crudo.
Los PDFs nunca se guardan en disco — se procesan en memoria.
"""
from __future__ import annotations

import io
import re

from pypdf import PdfReader

MAX_CHARS = 600


def extraer_extracto(pdf_bytes: bytes) -> str | None:
    """
    Extrae las primeras líneas de texto de un PDF judicial.

    Retorna el extracto como string, o None si el PDF no tiene texto
    extraíble (PDF escaneado, imagen, error de parseo).
    """
    try:
        reader = PdfReader(io.BytesIO(pdf_bytes))
        texto = ""
        for page in reader.pages:
            texto += page.extract_text() or ""
            if len(texto) >= MAX_CHARS:
                break

        texto = texto.strip()
        if not texto:
            return None

        texto = re.sub(r"\n{3,}", "\n\n", texto)

        if len(texto) > MAX_CHARS:
            texto = texto[:MAX_CHARS] + "..."

        return texto
    except Exception:
        return None