/**
 * M2 Strukturanalyse — Dedup-Erkennung & Autovervollständigung für (primäre)
 * Informations-Assets (IMPL-tisax-wizard-neustruktur.md §2.1).
 *
 * `normalizeAssetName` erzeugt den Dedup-Schlüssel `Asset.normalizedName`, auf dem
 * die `@@unique([tenantId, normalizedName])` Exakt-Duplikate verhindert. Bei einem
 * Treffer wird das bestehende Asset VERKNÜPFT (ProcessAsset) statt neu angelegt.
 *
 * Die Normalisierung ist bewusst reine, DB-agnostische Logik (kein Prisma) — dieselbe
 * Funktion läuft im Server (Schreibpfad + searchAssets) und im Client (Combobox), damit
 * Vorschau und Persistenz denselben Schlüssel sehen.
 *
 * Reihenfolge (fix, §2.1):
 *   trim → Mehrfach-Whitespace kollabieren → Unicode-NFC → toLowerCase("de") →
 *   Umlaut-Faltung (ä→ae, ö→oe, ü→ue, ß→ss) → Satzzeichen entfernen.
 */

/** Umlaut-/ß-Faltung nach der Kleinschreibung (Reihenfolge relevant). */
function foldUmlauts(s: string): string {
  return s
    .replace(/ä/g, "ae")
    .replace(/ö/g, "oe")
    .replace(/ü/g, "ue")
    .replace(/ß/g, "ss");
}

/**
 * Erzeugt den normalisierten Dedup-Schlüssel eines Asset-Namens.
 * Beispiel: „Kundendaten", „kundendaten", „ Kunden­daten " → alle `kundendaten`.
 * Liefert `""` für leere/nur-Satzzeichen-Eingaben (Aufrufer behandelt das als „kein Schlüssel").
 */
export function normalizeAssetName(input: string): string {
  if (!input) return "";
  let s = input.trim();
  // Weiches Trennzeichen / Zero-Width entfernen, bevor Whitespace kollabiert wird.
  s = s.replace(/[­​-‍]/g, "");
  s = s.replace(/\s+/g, " ");
  s = s.normalize("NFC");
  s = s.toLocaleLowerCase("de");
  s = foldUmlauts(s);
  // Satzzeichen/Sonderzeichen entfernen — nur Wortzeichen und Leerzeichen behalten,
  // dann erneut Whitespace normalisieren und trimmen.
  s = s.replace(/[^\p{L}\p{N} ]+/gu, "");
  s = s.replace(/\s+/g, " ").trim();
  return s;
}

/**
 * Levenshtein-Distanz (DB-agnostische Fuzzy-Nähe, §2.1). Wird für die WEICHE Warnung
 * („Meintest du …?") auf der Kandidatenliste genutzt — als Alternative zu Postgres
 * `pg_trgm.similarity()` (siehe Integrationsbericht). Iterativ, O(n·m) Zeit, O(min)-Speicher.
 */
export function levenshtein(a: string, b: string): number {
  if (a === b) return 0;
  if (a.length === 0) return b.length;
  if (b.length === 0) return a.length;
  // Kürzere Zeichenkette als Spaltenachse (weniger Speicher).
  if (a.length > b.length) [a, b] = [b, a];
  let prev = Array.from({ length: a.length + 1 }, (_, i) => i);
  let curr = new Array<number>(a.length + 1);
  for (let j = 1; j <= b.length; j++) {
    curr[0] = j;
    for (let i = 1; i <= a.length; i++) {
      const cost = a[i - 1] === b[j - 1] ? 0 : 1;
      curr[i] = Math.min(prev[i] + 1, curr[i - 1] + 1, prev[i - 1] + cost);
    }
    [prev, curr] = [curr, prev];
  }
  return prev[a.length];
}

/**
 * Ähnlichkeit 0..1 auf Basis der normalisierten Levenshtein-Distanz.
 * 1 = identisch. Für die weiche Fuzzy-Warnung ab Schwelle (Default 0.82).
 */
export function nameSimilarity(a: string, b: string): number {
  const na = normalizeAssetName(a);
  const nb = normalizeAssetName(b);
  if (!na && !nb) return 1;
  const max = Math.max(na.length, nb.length);
  if (max === 0) return 1;
  return 1 - levenshtein(na, nb) / max;
}

/** Schwelle, ab der ein Kandidat als Nah-Duplikat gewarnt wird (§2.1). */
export const FUZZY_SIMILARITY_THRESHOLD = 0.82;