# =============================================================================
# Job·Ka — Groupe KA
# Auteur  : Simon-Pierre Boucher
# Contact : contact@spboucher.ai
# Fichier : jobka/normalize.py
# Rôle    : Normalisation commune des offres (salaires, dates, mode/type
#           d'emploi, lieu, catégorie) — jamais de valeur inventée
# Créé    : 2026-08-17   Modifié : 2026-08-18
# =============================================================================
"""Couche de normalisation commune appelée par JobPosting.finalize().

Philosophie héritée de Lou·Ka : parseurs déterministes (regex, tables de
mots-clés FR/EN), bornes de plausibilité, et surtout — une valeur absente
reste absente (None / chaîne vide), on ne devine jamais.
"""
from __future__ import annotations

import datetime as _dt
import re
import unicodedata

__all__ = [
    "strip_accents", "clean_text", "clean_html", "parse_salary",
    "sanitize_salary", "salary_from_text", "salary_to_yearly",
    "salary_to_hourly", "parse_date", "parse_work_mode",
    "parse_employment_type", "parse_location", "canonical_city",
    "is_quebec_location", "categorize", "detect_language",
    "extract_benefits", "clean_title",
]


# ---------------------------------------------------------------------------
# Texte
# ---------------------------------------------------------------------------

def strip_accents(s: str) -> str:
    return "".join(c for c in unicodedata.normalize("NFD", s)
                   if unicodedata.category(c) != "Mn")


def _key(s: str) -> str:
    """Minuscules sans accents — pour le matching de mots-clés."""
    return strip_accents((s or "").lower())


def clean_text(s: str) -> str:
    """Espaces insécables -> espace, blancs réduits."""
    s = (s or "").replace("\xa0", " ").replace(" ", " ").replace(" ", " ")
    return re.sub(r"[ \t]+", " ", s).strip()


_BLOCK_TAGS = re.compile(
    r"</?(?:p|div|br|li|ul|ol|h[1-6]|tr|table|section|article)[^>]*>", re.I)

# Résidu HTML après une passe : balise ouvrante plausible ou entité encore
# encodée — signe d'un contenu doublement échappé.
_HTML_LEFTOVER = re.compile(
    r"<(?:p|br|li|ul|ol|div|span|strong|em|b|i|h[1-6]|a)\b|&(?:amp|lt|gt|nbsp|#\d+);",
    re.I)


def clean_html(html: str) -> str:
    """HTML -> texte lisible : balises de bloc = sauts de ligne, le reste retiré.

    Suffisant pour les descriptions d'offres (les connecteurs qui ont besoin
    d'un vrai parseur utilisent BeautifulSoup eux-mêmes).
    """
    if not html:
        return ""
    import html as _html
    s = html
    # Contenus sur-échappés (entités dans les entités — Greenhouse/Lever) :
    # nettoyer en boucle tant qu'il reste des balises/entités (max 3 passes).
    for _ in range(3):
        s = _html.unescape(s)
        s = re.sub(r"<(script|style)[^>]*>.*?</\1>", " ", s, flags=re.I | re.S)
        s = _BLOCK_TAGS.sub("\n", s)
        s = re.sub(r"<[^>]+>", " ", s)
        if not _HTML_LEFTOVER.search(s):
            break
    s = s.replace("\xa0", " ").replace(" ", " ")
    s = re.sub(r"[ \t]+", " ", s)
    s = re.sub(r" ?\n ?", "\n", s)
    return re.sub(r"\n{3,}", "\n\n", s).strip()


# ---------------------------------------------------------------------------
# Salaires — transparence salariale = différenciateur clé de Job·Ka
# ---------------------------------------------------------------------------

# Bornes de plausibilité par unité (CAD). Hors bornes = on jette (pas de
# salaire inventé, pas de « 1 $/h » venu d'un parsing raté).
_SALARY_BOUNDS = {
    "hour": (14.0, 250.0),
    "day": (100.0, 2000.0),
    "week": (500.0, 10000.0),
    "biweek": (1000.0, 20000.0),
    "month": (1800.0, 45000.0),
    "year": (20000.0, 600000.0),
}

# Heures/an de référence pour les conversions (semaine de 40 h).
_HOURS_PER_YEAR = 2080.0

_UNIT_PATTERNS = [
    ("hour", r"(?:/|par|per|an?)\s*(?:h\b|hr\b|hre\b|heure|hour)|horaire|hourly"),
    ("year", r"(?:/|par|per|an?)\s*(?:an\b|année|annee|year|yr\b)|annuel|annual|yearly|per\s+annum"),
    ("month", r"(?:/|par|per)\s*(?:mois|month)|mensuel|monthly"),
    ("biweek", r"(?:aux|par|per)\s*(?:2|deux|two)\s*semaines|bi-?weekly|quinzaine"),
    ("week", r"(?:/|par|per)\s*(?:sem\b|semaine|week|wk\b)|hebdomadaire|weekly"),
    ("day", r"(?:/|par|per)\s*(?:jour|day)|journalier|daily"),
]

_NUM_RE = re.compile(r"\d{1,3}(?:[   ,]\d{3})+(?:[.,]\d{1,2})?|\d+(?:[.,]\d{1,2})?[kK]?")


def _parse_number(tok: str) -> float | None:
    tok = tok.strip()
    k = tok.lower().endswith("k")
    if k:
        tok = tok[:-1]
    # « 52,000 » (milliers anglais) vs « 52000,00 » / « 25,50 » (décimales)
    tok = tok.replace(" ", " ").replace(" ", " ")
    if re.fullmatch(r"\d{1,3}(?:[ ,]\d{3})+(?:[.,]\d{1,2})?", tok):
        # séparateur de milliers : retirer espaces/virgules de groupe
        tok = re.sub(r"[ ,](?=\d{3}\b)", "", tok)
    tok = tok.replace(",", ".").replace(" ", "")
    try:
        v = float(tok)
    except ValueError:
        return None
    return v * 1000 if k else v


def parse_salary(raw: str) -> tuple[float | None, float | None, str | None]:
    """Texte de salaire -> (min, max, unité) ou (None, None, None).

    Exige un signe monétaire ($, CAD, dollars) OU une unité explicite proche
    des nombres — sans quoi « 35 heures/semaine » deviendrait un salaire.
    """
    s = clean_text(raw)
    if not s:
        return (None, None, None)
    key = _key(s)

    unit = None
    for u, pat in _UNIT_PATTERNS:
        if re.search(pat, key):
            unit = u
            break

    has_money = bool(re.search(r"\$|cad\b|dollar", key))
    if not has_money and unit is None:
        return (None, None, None)

    nums = [_parse_number(m.group(0)) for m in _NUM_RE.finditer(s)]
    nums = [n for n in nums if n is not None]
    if not nums:
        return (None, None, None)

    # Sans unité explicite : inférer par l'ordre de grandeur (avec $ obligatoire)
    if unit is None:
        probe = max(nums)
        if probe < 300:
            unit = "hour"
        elif probe >= 18000:
            unit = "year"
        else:
            return (None, None, None)   # zone ambiguë : ne pas deviner

    lo, hi = _SALARY_BOUNDS[unit]
    vals = sorted(n for n in nums if lo <= n <= hi)
    if not vals:
        return (None, None, None)
    return (vals[0], vals[-1] if len(vals) > 1 else vals[0], unit)


_TO_YEAR = {"hour": _HOURS_PER_YEAR, "day": 260.0, "week": 52.0,
            "biweek": 26.0, "month": 12.0, "year": 1.0}


def salary_to_yearly(value: float | None, unit: str | None) -> float | None:
    if value is None or unit not in _TO_YEAR:
        return None
    return round(value * _TO_YEAR[unit], 0)


def salary_to_hourly(value: float | None, unit: str | None) -> float | None:
    y = salary_to_yearly(value, unit)
    return round(y / _HOURS_PER_YEAR, 2) if y is not None else None


def sanitize_salary(lo: float | None, hi: float | None, unit: str | None
                    ) -> tuple[float | None, float | None, str | None]:
    """Bornes de plausibilité sur les salaires STRUCTURÉS fournis par les ATS.

    Certaines sources étiquettent mal l'unité (75 000 « /mois » ou « /h » pour
    un salaire annuel — vu chez Lever et dans les JSON-LD de portails) : si la
    valeur sort des bornes de son unité, on tente une réinterprétation vers
    l'unité dont les bornes la contiennent (année d'abord, puis heure). Aucune
    unité plausible -> on jette (pas de salaire aberrant publié).
    """
    if lo is None or unit not in _SALARY_BOUNDS:
        return (lo, hi, unit)
    b = _SALARY_BOUNDS[unit]
    if not (b[0] <= lo <= b[1]):
        for candidate in ("year", "hour"):
            cb = _SALARY_BOUNDS[candidate]
            if candidate != unit and cb[0] <= lo <= cb[1]:
                unit, b = candidate, cb
                break
        else:
            return (None, None, None)
    if hi is not None and not (b[0] <= hi <= b[1]):
        hi = None            # max aberrant : on garde le min plausible seul
    if hi is not None and hi < lo:
        lo, hi = hi, lo
    return (lo, hi, unit)


# Contextes où un montant en $ n'est PAS un salaire (financement, dépenses,
# allocations…) — garde-fou de l'extraction depuis la description.
_NOT_SALARY_CONTEXT = re.compile(
    r"financement|funding|amorcage|seed|investisse|invest(?:ment|or)|"
    r"revenu[s]?\b|revenue|chiffre d affaires|budget|remboursement|"
    r"reimburse|expense|allocation|allowance|subvention|credit d impot|"
    r"cotisation|rabais|discount|gift|carte[- ]cadeau|referral (?:bonus|fee)|"
    r"signing bonus|prime (?:a l embauche|de demarrage|de reference)|"
    r"million|milliard")


def salary_from_text(text: str) -> tuple[float | None, float | None,
                                         str | None, str]:
    """Cherche une mention salariale dans un texte libre (description).

    Découpe en phrases (les points décimaux « 182,500.00 » ne coupent pas),
    ignore les contextes non salariaux (financement, remboursements…), puis
    parse la première phrase plausible. Retourne (min, max, unité, libellé).
    """
    if not text or "$" not in text:
        return (None, None, None, "")
    for sentence in re.split(r"(?<!\d)\.(?!\d)|\n|;", text):
        if "$" not in sentence or not re.search(r"\d", sentence):
            continue
        frag = clean_text(sentence)[:160]
        if _NOT_SALARY_CONTEXT.search(_key(frag)):
            continue
        lo, hi, unit = parse_salary(frag)
        if lo is not None:
            return (lo, hi, unit, frag)
    return (None, None, None, "")


# ---------------------------------------------------------------------------
# Dates — ISO 8601, jamais de date inventée
# ---------------------------------------------------------------------------

_MONTHS = {
    "janvier": 1, "jan": 1, "january": 1,
    "fevrier": 2, "fev": 2, "february": 2, "feb": 2,
    "mars": 3, "mar": 3, "march": 3,
    "avril": 4, "avr": 4, "april": 4, "apr": 4,
    "mai": 5, "may": 5,
    "juin": 6, "june": 6, "jun": 6,
    "juillet": 7, "juil": 7, "july": 7, "jul": 7,
    "aout": 8, "august": 8, "aug": 8,
    "septembre": 9, "sept": 9, "sep": 9, "september": 9,
    "octobre": 10, "oct": 10, "october": 10,
    "novembre": 11, "nov": 11, "november": 11,
    "decembre": 12, "dec": 12, "december": 12,
}

_REL_RE = re.compile(
    r"(?:il y a|posted)\s+(\d+)\+?\s*(jour|day|semaine|week|mois|month)|"
    r"(\d+)\+?\s*(jour|day|semaine|week|mois|month)s?\s+ago", re.I)
_TODAY_RE = re.compile(r"aujourd'?hui|today|posted today|date du jour", re.I)
_YESTERDAY_RE = re.compile(r"hier|yesterday", re.I)


def parse_date(raw, today: _dt.date | None = None) -> str | None:
    """Valeur de date hétéroclite -> ISO « YYYY-MM-DD », ou None.

    Accepte : ISO (+ horodatages), epoch secondes/millisecondes, formats
    textuels FR/EN (« 1er juillet 2026 », « July 1st, 2026 »), et les dates
    relatives (« il y a 3 jours », « Posted 30+ Days Ago »).
    """
    if raw is None:
        return None
    today = today or _dt.date.today()

    if isinstance(raw, (int, float)):        # epoch (Lever : millisecondes)
        ts = float(raw)
        if ts > 1e12:
            ts /= 1000.0
        if 1e9 <= ts <= 4e9:
            return _dt.date.fromtimestamp(ts).isoformat()
        return None

    s = clean_text(str(raw))
    if not s:
        return None
    key = _key(s)

    m = re.search(r"(\d{4})-(\d{2})-(\d{2})", s)     # ISO (avec ou sans heure)
    if m:
        try:
            return _dt.date(int(m.group(1)), int(m.group(2)), int(m.group(3))).isoformat()
        except ValueError:
            return None

    if _TODAY_RE.search(key):
        return today.isoformat()
    if _YESTERDAY_RE.search(key):
        return (today - _dt.timedelta(days=1)).isoformat()

    m = _REL_RE.search(key)
    if m:
        n = int(m.group(1) or m.group(3))
        unit = (m.group(2) or m.group(4) or "").lower()
        days = n * (7 if unit.startswith(("sem", "week"))
                    else 30 if unit.startswith(("moi", "month")) else 1)
        return (today - _dt.timedelta(days=days)).isoformat()

    # « 1er juillet 2026 » / « July 1st, 2026 » / « déc. 2026 »
    m = re.search(r"(?:(\d{1,2})(?:er|e|st|nd|rd|th)?\s+)?([a-z]{3,9})\.?,?\s+(?:(\d{1,2})(?:er|st|nd|rd|th)?,?\s+)?(\d{4})", key)
    if m:
        mois = _MONTHS.get(m.group(2))
        if mois:
            jour = int(m.group(1) or m.group(3) or 1)
            try:
                return _dt.date(int(m.group(4)), mois, jour).isoformat()
            except ValueError:
                return None

    m = re.fullmatch(r"(\d{1,2})/(\d{1,2})/(\d{4})", s)   # jj/mm/aaaa (usage QC)
    if m:
        d, mo, y = int(m.group(1)), int(m.group(2)), int(m.group(3))
        if mo > 12 and d <= 12:      # en fait mm/jj/aaaa
            d, mo = mo, d
        try:
            return _dt.date(y, mo, d).isoformat()
        except ValueError:
            return None
    return None


# ---------------------------------------------------------------------------
# Mode de travail / type d'emploi
# ---------------------------------------------------------------------------

_MODE_RULES = [
    ("teletravail", r"100\s*%\s*(?:teletravail|remote)|full(?:y)?[ -]remote|"
                    r"teletravail|travail a distance|remote(?:\b|-first)|a distance"),
    ("hybride", r"hybrid|hybride|flexible?\s*(?:work|travail)"),
    ("presentiel", r"presentiel|sur (?:place|site)|on[- ]?site|in[- ]?(?:office|person)"),
]


def parse_work_mode(raw: str) -> str | None:
    key = _key(raw)
    if not key:
        return None
    # « hybride » prime sur les mentions accessoires de télétravail
    if re.search(_MODE_RULES[1][1], key):
        return "hybride"
    for mode, pat in _MODE_RULES:
        if re.search(pat, key):
            return mode
    return None


_TYPE_RULES = [
    ("stage", r"\bstage\b|stagiaire|intern(?:ship)?\b|co-?op\b|alternance"),
    ("saisonnier", r"saisonn|seasonal"),
    ("contractuel", r"contrat\b|contract(?:uel|or)?\b|temporaire|temporary|terme|"
                    r"fixed[- ]term|duree determinee|pigiste|freelance|consultant"),
    ("temps_partiel", r"temps[- ]partiel|part[- ]?time|partiel\b"),
    ("temps_plein", r"temps[- ]plein|full[- ]?time|permanent|regulier|"
                    r"regular\b|duree indeterminee"),
]


def parse_employment_type(raw: str) -> str | None:
    key = _key(raw)
    if not key:
        return None
    for typ, pat in _TYPE_RULES:
        if re.search(pat, key):
            return typ
    return None


# ---------------------------------------------------------------------------
# Lieu — extraction ville/région + garde-fou « offre au Québec »
# ---------------------------------------------------------------------------

# Villes québécoises fréquentes dans les libellés d'offres (clé sans accents).
# Sert à la fois au parsing et au filtre is_quebec_location.
_QC_CITIES = {
    "montreal": "Montréal", "quebec": "Québec", "ville de quebec": "Québec",
    "quebec city": "Québec", "laval": "Laval", "gatineau": "Gatineau",
    "longueuil": "Longueuil", "sherbrooke": "Sherbrooke",
    "saguenay": "Saguenay", "chicoutimi": "Saguenay",
    "levis": "Lévis", "trois-rivieres": "Trois-Rivières",
    "trois rivieres": "Trois-Rivières", "terrebonne": "Terrebonne",
    "brossard": "Brossard", "repentigny": "Repentigny",
    "boucherville": "Boucherville", "saint-jerome": "Saint-Jérôme",
    "drummondville": "Drummondville", "saint-jean-sur-richelieu":
    "Saint-Jean-sur-Richelieu", "granby": "Granby", "shawinigan": "Shawinigan",
    "joliette": "Joliette", "victoriaville": "Victoriaville",
    "rimouski": "Rimouski", "rouyn-noranda": "Rouyn-Noranda",
    "baie-comeau": "Baie-Comeau", "sept-iles": "Sept-Îles",
    "val-d'or": "Val-d'Or", "val d'or": "Val-d'Or", "alma": "Alma",
    "sainte-foy": "Québec", "anjou": "Montréal", "dorval": "Dorval",
    "boisbriand": "Boisbriand", "blainville": "Blainville",
    "mirabel": "Mirabel", "saint-hyacinthe": "Saint-Hyacinthe",
    "beloeil": "Belœil", "chateauguay": "Châteauguay", "magog": "Magog",
    "thetford mines": "Thetford Mines", "saint-georges": "Saint-Georges",
    "riviere-du-loup": "Rivière-du-Loup", "matane": "Matane",
    "sorel-tracy": "Sorel-Tracy", "varennes": "Varennes",
    "vaudreuil-dorion": "Vaudreuil-Dorion", "salaberry-de-valleyfield":
    "Salaberry-de-Valleyfield", "kirkland": "Kirkland",
    "pointe-claire": "Pointe-Claire", "saint-laurent": "Montréal",
    "ville saint-laurent": "Montréal", "verdun": "Montréal",
    "westmount": "Westmount", "candiac": "Candiac", "la prairie": "La Prairie",
    "mont-tremblant": "Mont-Tremblant", "saint-bruno": "Saint-Bruno-de-Montarville",
    "bromont": "Bromont", "cowansville": "Cowansville",
    "saint-augustin-de-desmaures": "Saint-Augustin-de-Desmaures",
    "l'ancienne-lorette": "L'Ancienne-Lorette",
}

_QC_MARKERS = re.compile(
    r"\bqc\b|\bquebec\b|\bqu[e]bec, canada\b|province de quebec", re.I)
_POSTAL_RE = re.compile(r"\b([GHJ]\d[A-Z])\s*(\d[A-Z]\d)\b", re.I)  # G/H/J = Québec

# Villes canadiennes hors Québec (et grandes villes étrangères) fréquentes
# dans les flux pancanadiens/mondiaux — jamais des villes d'offres
# québécoises : à rejeter lors du parsing de lieu (clés sans accents).
_NON_QC_CITIES = frozenset({
    "toronto", "ottawa", "vancouver", "calgary", "edmonton", "winnipeg",
    "mississauga", "brampton", "hamilton", "kitchener", "waterloo", "halifax",
    "dartmouth", "victoria", "saskatoon", "regina", "st. john's", "st johns",
    "saint john", "fredericton", "moncton", "charlottetown", "london",
    "markham", "vaughan", "richmond hill", "oakville", "burlington", "oshawa",
    "whitby", "ajax", "pickering", "guelph", "kingston", "barrie",
    "kelowna", "kamloops", "nanaimo", "abbotsford", "surrey", "burnaby",
    "coquitlam", "langley", "north york", "scarborough", "etobicoke",
    "north vancouver", "milton", "cambridge", "st. catharines",
    "niagara falls", "thunder bay", "sudbury", "greater sudbury",
    "sault ste. marie", "red deer", "lethbridge", "medicine hat",
    "grande prairie", "fort mcmurray", "yellowknife", "whitehorse", "iqaluit",
    "can", "canada", "ontario", "alberta", "british columbia", "manitoba",
    "saskatchewan", "nova scotia", "new brunswick",
    "new york", "new york city", "san francisco", "boston", "chicago",
    "seattle", "austin", "denver", "los angeles", "miami", "atlanta",
    "dallas", "houston", "philadelphia", "washington", "phoenix", "portland",
    "paris", "londres", "amsterdam", "berlin", "munich", "dublin", "madrid",
    "barcelona", "barcelone", "lisbon", "lisbonne", "sydney", "melbourne",
    "singapore", "singapour", "tokyo", "bangalore", "bengaluru", "mumbai",
    "mexico city", "sao paulo", "bogota", "buenos aires", "las vegas",
    "orlando", "nashville", "macau",
})


def canonical_city(raw: str) -> str:
    """Canonicalise un nom de ville (« Montreal » -> « Montréal »,
    « Quebec City » -> « Québec »). Inconnu : retourne le texte nettoyé."""
    s = clean_text(raw)
    if not s:
        return ""
    key = _key(s)
    exact = _QC_CITIES.get(key)
    if exact:
        return exact
    for ck, city in _QC_CITIES.items():
        if re.fullmatch(re.escape(ck), key):
            return city
    return s


def parse_location(raw: str) -> dict:
    """Libellé de lieu -> {city, region, postal_code} (champs possiblement vides).

    Ex. « Montréal, QC, Canada », « Ville de Québec, Québec », « Remote - QC ».
    """
    s = clean_text(raw)
    out = {"city": "", "region": "", "postal_code": ""}
    if not s:
        return out
    m = _POSTAL_RE.search(s)
    if m:
        out["postal_code"] = f"{m.group(1).upper()} {m.group(2).upper()}"
    key = _key(s)
    for ck, city in _QC_CITIES.items():
        if re.search(rf"(?<![a-z]){re.escape(ck)}(?![a-z])", key):
            out["city"] = city
            break
    if _QC_MARKERS.search(key) or out["city"] or (
            out["postal_code"] and out["postal_code"][0] in "GHJ"):
        out["region"] = "Québec"
    if not out["city"]:
        # premier segment avant la virgule, si ça ressemble à un nom de ville :
        # contient des lettres, ≤ 3 mots, pas un mot générique ni un nom de
        # succursale (« Caisse Desjardins de… », « Centre de services… »)
        seg = clean_text(s.split(",")[0])
        seg_key = _key(seg)
        if (seg and len(seg) <= 40 and re.search(r"[a-z]", seg_key)
                and len(seg.split()) <= 3
                and seg_key not in _NON_QC_CITIES
                and not re.search(
                    r"remote|teletravail|canada|multiple|various|partout|"
                    r"\d+\s+locations?|\d+\s+lieux|caisse|succursale|"
                    r"centre de services|siege social", seg_key)):
            out["city"] = seg
    return out


def is_quebec_location(raw: str) -> bool:
    """Vrai si le libellé pointe vers le Québec (filtre des ATS pancanadiens)."""
    key = _key(clean_text(raw))
    if not key:
        return False
    if key in _NON_QC_CITIES:      # libellé = ville canadienne/monde hors QC
        return False
    if _QC_MARKERS.search(key):
        return True
    m = _POSTAL_RE.search(raw)
    if m and m.group(1)[0].upper() in "GHJ":
        return True
    return any(re.search(rf"(?<![a-z]){re.escape(ck)}(?![a-z])", key)
               for ck in _QC_CITIES)


# ---------------------------------------------------------------------------
# Catégorisation — taxonomie interne déterministe (mots-clés FR/EN)
# ---------------------------------------------------------------------------

_CATEGORY_RULES = [
    ("TI", r"developpe|developer|logiciel|software|devops|donnees|data\b|"
           r"informatique|programmeur|programmer|cybersecurit|cloud|fullstack|"
           r"full[- ]stack|backend|frontend|sre\b|qa\b|scrum|infrastructure ti|"
           r"intelligence artificielle|machine learning|\bia\b|\bai\b|analyste ti"),
    ("Santé", r"infirmier|infirmiere|nurse|medecin|pharmac|dentaire|sante\b|"
              r"prepose aux beneficiaires|\bpab\b|physiotherap|ergotherap|"
              r"psycholog|travailleur social|clinique|medical"),
    ("Ingénierie", r"ingenieur|engineer(?!ing manager, software)|genie\b|"
                   r"mecanique du batiment|electrique|civil\b|structurel"),
    ("Construction", r"construction|charpentier|menuisier|plombier|electricien|"
                     r"contremaitre|chantier|grutier|briqueteur|couvreur|paysagiste"),
    ("Finance", r"comptab|account(?:ant|ing)|finance|financier|paie\b|payroll|audit|"
                r"fiscalite|tresorerie|actuaire|actuarial|credit\b|placement"),
    ("Éducation", r"enseignant|professeur|teacher|educat|tuteur|formateur|"
                  r"pedagog|garderie|cpe\b"),
    ("Juridique", r"avocat|juriste|notaire|parajuriste|paralegal|legal counsel|"
                  r"conformite|compliance"),
    ("RH", r"ressources humaines|\brh\b|recrut|talent|human resources|\bhr\b|"
           r"acquisition de talents"),
    ("Marketing", r"marketing|communication|contenu|content|marque|brand|"
                  r"medias sociaux|social media|seo\b|publicite|graphiste|designer"),
    ("Ventes", r"vente|ventes|sales|representant|account (?:executive|manager)|"
               r"developpement des affaires|business development|conseiller commercial"),
    ("Service à la clientèle", r"service a la clientele|customer (?:service|success|"
                               r"support)|centre d'appels|call cent"),
    ("Transport", r"chauffeur|camionneur|driver|livreur|logistique|logistics|"
                  r"transport|entrepot|warehouse|cariste|repartiteur"),
    ("Production", r"production|manufactur|usine|operateur|machiniste|soudeur|"
                   r"welder|assembleur|journalier|emballage|maintenance industrielle"),
    ("Restauration", r"cuisinier|chef\b|serveur|barista|restauration|plongeur|"
                     r"boulanger|patissier|traiteur|banquet"),
    ("Commerce de détail", r"commis|caissier|retail|magasin|boutique|"
                           r"marchandiseur|gerant de magasin"),
    ("Administration", r"adjoint|administratif|secretaire|receptionniste|"
                       r"coordonnat|commis de bureau|office (?:manager|clerk)"),
]


# ---------------------------------------------------------------------------
# Langue de l'offre — heuristique légère par mots-outils (fr | en | bilingue)
# ---------------------------------------------------------------------------

# Mots-outils très fréquents et quasi exclusifs à chaque langue (sans accents).
_FR_STOPWORDS = re.compile(
    r"\b(?:le|la|les|des|une|et|est|sont|pour|avec|vous|nous|notre|nos|vos|"
    r"dans|chez|aux|du|au|ainsi|plus de|afin|etre|sera|poste|equipe|"
    r"exigences|taches|milieu|travail)\b")
_EN_STOPWORDS = re.compile(
    r"\b(?:the|and|for|with|you|your|we|our|is|are|will|this|that|team|"
    r"work|skills|of|to be|as well|role|responsibilities|requirements|"
    r"experience in|ability)\b")


def detect_language(title: str, description: str = "") -> str:
    """Langue du texte de l'offre : « fr », « en », « bilingue », ou "".

    Comptage de mots-outils sur le début du texte — déterministe, jamais de
    valeur inventée : texte trop court ou ambigu -> "".
    """
    text = _key(f"{title}\n{description or ''}"[:4000])
    if len(text) < 30:
        return ""
    fr = len(_FR_STOPWORDS.findall(text))
    en = len(_EN_STOPWORDS.findall(text))
    total = fr + en
    if total < 5:
        return ""
    # les deux langues nettement présentes -> offre bilingue
    if fr >= 8 and en >= 8 and min(fr, en) / max(fr, en) >= 0.35:
        return "bilingue"
    if fr > en:
        return "fr"
    if en > fr:
        return "en"
    return ""


# ---------------------------------------------------------------------------
# Avantages — extraction des blocs « Avantages / Benefits » des descriptions
# ---------------------------------------------------------------------------

_BENEFITS_HEADING = re.compile(
    r"^\s*(?:les\s+|nos\s+|our\s+|tes\s+|vos\s+)?(?:avantages(?:\s+sociaux)?|"
    r"benefits(?:\s+&\s+perks)?|perks(?:\s+(?:and|&)\s+benefits)?|"
    r"ce que nous (?:t')?offrons|what we offer|why join us|"
    r"pourquoi nous rejoindre|nous offrons|we offer)\s*:?\s*$", re.I)
_BENEFIT_LINE_MAX = 120


def extract_benefits(description: str) -> list[str]:
    """Liste d'avantages depuis un bloc structuré de la description.

    Cherche un titre de section « Avantages/Benefits/… » seul sur sa ligne,
    puis prend les lignes courtes qui suivent (puces), en s'arrêtant à la
    première ligne longue ou au prochain titre. Max 12 items — si le bloc ne
    ressemble pas à une liste, on ne retourne rien (pas d'à-peu-près).
    """
    if not description:
        return []
    lines = description.split("\n")
    for i, line in enumerate(lines):
        if not _BENEFITS_HEADING.match(strip_accents(line)):
            continue
        items: list[str] = []
        for nxt in lines[i + 1:]:
            t = clean_text(nxt).lstrip("•-–—*·◦▪ ").strip()
            if not t:
                if items:
                    break          # fin du bloc (ligne vide après les puces)
                continue
            if len(t) > _BENEFIT_LINE_MAX or _BENEFITS_HEADING.match(
                    strip_accents(t)):
                break
            # un « titre » de section suivant (courte ligne sans ponctuation
            # finale, capitalisée) termine aussi le bloc
            if items and len(t.split()) <= 4 and t.endswith(":"):
                break
            items.append(t.rstrip(" ;,.").strip())
            if len(items) >= 12:
                break
        if len(items) >= 2:
            return items
    return []


# ---------------------------------------------------------------------------
# Titre d'affichage — casse propre, codes de réquisition et suffixes retirés
# ---------------------------------------------------------------------------

# codes de réquisition : « [R-12345] », « (REQ 2026-42) », « - JR0035678 »…
_REQ_CODE = re.compile(
    # en tête : « 123456 - Titre », « [REQ-1234] Titre » (≥5 chiffres nus pour
    # ne pas manger une année « 2026 - Programme d'été »)
    r"^\s*[\[(]?(?:req(?:uisition)?|jr|job)[\s#:-]*\d{3,10}[\])]?\s*[-–—:|]\s*|"
    r"^\s*[\[(]?\d{5,10}[\])]?\s*[-–—:|]\s*|"
    # en queue : « Titre - R-12345 », « Titre (JOB 004521) »
    r"\s*[-–—|(]\s*(?:req(?:uisition)?|job|poste)?\s*#?\s*(?:[A-Z]{1,4}-?)?\d{4,10}\s*[)\]]?\s*$|"
    # au milieu : « Titre [R-12345] suite »
    r"\s*[\[(](?:R|REQ|JR|JOB)[-_ ]?\d{3,10}[\])]\s*", re.I)

# petits mots gardés en minuscules lors de la remise en casse d'un titre
# tout-majuscules ; sigles usuels gardés en majuscules
_TITLE_SMALL = {"de", "du", "des", "la", "le", "les", "et", "en", "à", "a",
                "au", "aux", "d'", "l'", "of", "the", "and", "in", "for",
                "to", "or", "ou", "un", "une", "sur", "pour"}
_TITLE_ACRONYMS = {"rh", "ti", "it", "qa", "qc", "pab", "cpa", "cfa", "erp",
                   "sap", "crm", "sst", "cnc", "hvac", "rpa", "bi", "ia",
                   "ai", "vp", "pdg", "dg"}


def _smart_case(title: str) -> str:
    """Titre TOUT EN MAJUSCULES -> casse de phrase lisible (sigles préservés)."""
    words = title.lower().split()
    out = []
    for i, w in enumerate(words):
        base = w.strip("()[],.;:/")
        if base in _TITLE_ACRONYMS:
            out.append(w.replace(base, base.upper()))
        elif i > 0 and base in _TITLE_SMALL:
            out.append(w)
        else:
            out.append(w[:1].upper() + w[1:])
    return " ".join(out)


def clean_title(title: str, city: str = "") -> str:
    """Titre d'affichage : codes de réquisition retirés, suffixe « - <ville> »
    redondant retiré, casse corrigée si tout-majuscules. Le titre SOURCE n'est
    jamais modifié — ceci alimente une colonne d'affichage distincte."""
    t = clean_text(title)
    if not t:
        return ""
    prev = None
    while prev != t:              # les codes peuvent être empilés
        prev = t
        t = _REQ_CODE.sub(" ", t).strip(" -–—|:")
        t = clean_text(t)
    # suffixe « - Montréal » / « (Montréal, QC) » identique à la ville de
    # l'offre : repéré sans accents, coupé sur le titre original
    if city:
        ck = re.escape(strip_accents(city.lower()))
        m = re.search(
            rf"\s*[-–—|,(]\s*(?:ville de\s+)?{ck}(?:\s*,\s*(?:qc|quebec))?\s*\)?\s*$",
            strip_accents(t.lower()))
        if m and m.start() > 0:
            t = clean_text(t[:m.start()]).strip(" -–—|,(")
    if len(t) > 8 and t == t.upper() and t != t.lower():
        t = _smart_case(t)
    return t or clean_text(title)


def categorize(title: str, description: str = "") -> str:
    """Titre -> catégorie interne (repli : début de description), ou "".

    Le titre est essayé SEUL d'abord : la description commence souvent par le
    boilerplate de l'entreprise (« leader du manufacturier… ») qui fausserait
    la catégorie du poste.
    """
    for texte in (title, description[:300]):
        key = _key(texte or "")
        if not key.strip():
            continue
        for cat, pat in _CATEGORY_RULES:
            if re.search(pat, key):
                return cat
    return ""