Cyrene_v2/internal/runtime/turnreply/paragraph_repair.go

package turnreply

import (
	"regexp"
	"strings"
)

// 本文件承载段落规整的**最后一步：标签配对修复**（NormalizeParagraphs 收尾调用）。
//
// 为什么需要单独一步：paragraph.go 的包裹逻辑原先只做「加法」——它判断一段是否已被
// `<p>` 包裹用的是**非贪婪**块正则 `<p…>.*?</p>`，因此对下面两类畸形它既看不见、
// 也修不了，甚至会**亲手造出来**：
//
//   - **原样放过**（模型直接吐出双开标签）：`<p><p>X</p>` 被非贪婪正则当成**一个**
//     完整块（内容 = `<p>X`）⇒ isParagraphBlock 为真 ⇒ 逐字保留。而客户端的解析契约
//     `P_BLOCK_RE = <p(\s[^>]*)?>([\s\S]*?)</p>` 是**同一个非贪婪口径** ⇒ 用户看到
//     字面的 `<p>X`。安卓端上报的正是这条（未配对的段落标签进入落库/对外文本）。
//   - **亲手制造**（模型末段漏了闭标签）：模型吐 `<p>X`（无 `</p>`）时，normalizePiece
//     只检查「整段是不是一个完整块」，见它不是块就**再套一层** ⇒ `<p><p>X</p>`。
//     （已在 paragraph.go/normalizePiece 按「补闭不补开」修掉，这里再兜一次底。）
//
// 顺带修掉一个既有幂等性漏洞：落单闭标签（`正文。</p>`）会被当作「未包裹的裸段落」再包
// 一层 ⇒ `<p>正文。</p></p>`，而且**第二次运行还会继续变**（不幂等）——同一个「只做加法、
// 不做配对校验」的根因。
//
// 契约（唯一口径）：**一个 `<p>` = 一段**，段落不嵌套。因此修复后文本里**不允许**出现
// 未配对的段落标签（落单的开或闭）。逐条处置（实现见 planParagraphTags）：
//
//   - `<p><p>X</p>`（冗余重开）⇒ 合并为 `<p>X</p>`：外层已经在包这一整段，里层是
//     同一个段落的重复开标签（客户端只能看到一个段落）。
//   - `<p>X`（漏闭标签）⇒ 补上 `</p>`（内容是真的，它就是这个段落的正文）。
//   - `<p>正文<p>`（闭标签缺失后又重开）⇒ 合并为 `<p>正文</p>`：第二个开标签之后没有
//     任何内容，它不是「另一段」，只是同段的重复开标签；合并**不吞一个字**。
//   - `<p>A</p><p>`（尾部落单开标签）⇒ 丢掉那个空开标签（`<p>A</p>`）：它的内容区
//     全是空白，「一个空 `<p>`」在客户端就是**一个空气泡**，比丢标签更糟。
//   - 空段落对 `<p></p>` / `<p> </p>` ⇒ 整对丢掉，理由同上（不吞正文：内容区无正文）。
//   - 落单闭标签 `…</p>`（没有开着的段落）⇒ 丢掉闭标签，正文一字不动。
//
// **收尾防御（唯一的例外）**：若按上述规则要把**整条文本**收成空串（例如整条只有一个
// `<p>`），则保持规整那一步的文本不动 —— 绝不把一条非空消息收成空消息（那比留下一个空
// 段落严重得多）。此时留下的段落对仍然是**配对**的（`<p>` ⇒ `<p></p>`），因此不违反
// 「不留未配对段落标签」这条契约。
//
// **一个已知的保守处置**（如实记下，不装作修好）：`<p>A\n\n<p>B</p>` 这种「未闭合段落之后
// 又出现开标签、且两者之间有正文」的形状按**合并**处理 ⇒ `<p>A\n\nB</p>`。要保住两个段落
// 就得在段间空白处**插入**一个隐式 `</p>`，那比丢一个重复标签更凶（改动正文布局）；而该
// 形状在生产库里为 0 例（2026-10-06 只读统计：全库 1 条畸形，形状是本文档开头那条双开）。
// 真出现了再按设计裁决改成插入式收尾。
//
// 不碰的东西（**不吞正文**这条护栏）：
//   - `<p`（残缺、无 `>`）、`<p2>`、`</p2`、`1 < 2`、`a<b`：paragraphTagRe 只认真正的
//     `<p>`/`<p …>`/`</p>`/`<p …/>`，其余一律当普通正文，逐字保留。属性区**不允许**含
//     `<`（`[^<>]*`）—— 否则 `<p 保留</p>` 会被当成一个带属性的开标签，连正文一起丢掉。
//   - 含 ``` 围栏的文本：NormalizeParagraphs 在进入本步**之前**就整条返回（围栏里的
//     `<p>` 是代码，不是标记）。
//   - `<action>`/`<narration>` 块内部的 `<p>` 字面量：整块视为不可解析的正文（与
//     paragraph.go「原子块内部不碰」同一口径），原样复制、不参与配对计数。
//   - 自闭合 `<p/>`：既有的合法形状，原样保留（不配对、也不算「空段落」）。
var (
	// paragraphTagRe 只认真正的段落标签：`<p>`、`<p …>`、`</p>`、`</p >`、`<p/>`、
	// `<p … />`。`<p2>`（p 后紧跟非空白）与 `<p`（无 `>`）都不匹配 —— 这正是
	// 「`1 < 2`、`a<b`、`<p2>` 原样保留」的实现方式。
	paragraphTagRe = regexp.MustCompile(`(?i)</?p(?:\s[^<>]*)?/?>`)
	// opaqueBlockRe 只认 `<action>`/`<narration>` 块（**不含** `<p>` 块本身 ——
	// paragraph.go 的 atomRe 含 `<p>` 块，用它会把「块内嵌套的 `<p>`」也排除掉，
	// 而那恰恰是本文件要修的形状）。块内的 `<p>` 字面量随块原样保留。
	opaqueBlockRe = regexp.MustCompile(`(?is)<action\b[^>]*?>.*?</action\s*>|<narration\b[^>]*?>.*?</narration\s*>`)
)

// repairParagraphTags 是本步的入口：把 text 里**未配对**的段落标签收干净（规则见
// 文件头）。它只增删 `<p>`/`</p>` 标签本身，正文（含标签之间的空白）逐字保留；已配对
// 且不嵌套的规范文本原样返回（幂等在写入路径上的那一半）。调用方必须自己确保 text
// 不含代码围栏（NormalizeParagraphs 在围栏处提前返回）。
func repairParagraphTags(text string) string {
	locs := paragraphTagRe.FindAllStringIndex(text, -1)
	if len(locs) == 0 {
		return text
	}
	keep, appendClose := planParagraphTags(text, locs)
	if appendClose == "" && allKept(keep) {
		return text
	}
	var b strings.Builder
	b.Grow(len(text) + len(appendClose))
	prev := 0
	for i, loc := range locs {
		b.WriteString(text[prev:loc[0]])
		if keep[i] {
			b.WriteString(text[loc[0]:loc[1]])
		}
		prev = loc[1]
	}
	b.WriteString(text[prev:])
	b.WriteString(appendClose)
	out := b.String()
	if strings.TrimSpace(out) == "" {
		return text // 绝不把非空文本收成空文本（只剩空段落对时的防御）
	}
	return out
}

// planParagraphTags 扫一遍段落标签，给出每个标签的去留（keep）与需要补在文本末尾的
// 闭标签（appendClose，空串表示不用补）。
//
// 状态只有两个：depth ∈ {0,1}（段落不嵌套）与 blankSinceOpen（当前**打开中**段落的
// 内容区到目前为止是否全是空白）。后者是「冗余重开」「空段落」两处判定的唯一依据：
//
//   - depth==1 时再遇到开标签 ⇒ 那一段的重复开标签（内容已合并进退）：丢掉；
//   - 关闭一段时内容区全空白 ⇒ 空段落（`<p></p>`）：开标签与闭标签一起丢掉；
//   - 文本末尾仍开着且有正文的段落 ⇒ 漏了闭标签：补 `</p>`（内容一字不动）；
//   - 文本末尾仍开着但内容全空白 ⇒ 尾部空段落：丢掉开标签（不制造空气泡）。
//
// 落单的闭标签（depth==0）一律丢掉：没有开着的段落可关，正文一字不动。
func planParagraphTags(text string, locs [][]int) (keep []bool, appendClose string) {
	keep = make([]bool, len(locs))
	opaque := opaqueBlockRe.FindAllStringIndex(text, -1)
	depth, openTagIdx, blankSinceOpen, prevEnd := 0, -1, true, 0
	for i, loc := range locs {
		if strings.TrimSpace(text[prevEnd:loc[0]]) != "" {
			blankSinceOpen = false // 标签之间的正文 ⇒ 当前段落不是空的
		}
		prevEnd = loc[1]
		if insideAtoms(opaque, loc) {
			keep[i] = true // <action>/<narration> 块内的 <p> 字面量：原样保留，不计数
			blankSinceOpen = false
			continue
		}
		tag := text[loc[0]:loc[1]]
		switch {
		case isSelfClosingTag(tag):
			keep[i] = true
		case isClosingTag(tag):
			if depth == 0 {
				continue // 落单闭标签：丢掉
			}
			if blankSinceOpen {
				keep[openTagIdx] = false // 空段落：开标签与闭标签整对丢掉
				depth, openTagIdx = 0, -1
				continue
			}
			keep[i] = true
			depth, openTagIdx = 0, -1
		default:
			if depth == 1 {
				continue // 冗余重开：合并进退（客户端看到的 `<p><p>X</p>` 走这一支）
			}
			keep[i] = true
			depth, openTagIdx, blankSinceOpen = 1, i, true
		}
	}
	if depth == 1 {
		if strings.TrimSpace(text[prevEnd:]) != "" {
			blankSinceOpen = false
		}
		if blankSinceOpen {
			keep[openTagIdx] = false // 尾部空段落：丢掉开标签
		} else {
			appendClose = "</p>" // 漏闭标签：补上，内容就是这个段落的正文
		}
	}
	return keep, appendClose
}

// startsWithParagraphOpen 报告 s 的开头是不是一个**段落开标签**（`<p>` / `<p …>`）：
// 自闭合 `<p/>` 与闭标签 `</p>` 都不算。归一化（normalizePiece）用它决定「补闭不补开」——
// 段首已经开了段落就只补上 `</p>`，绝不再套一层（那正是 `<p><p>X</p>` 的来历）。
func startsWithParagraphOpen(s string) bool {
	loc := paragraphTagRe.FindStringIndex(s)
	if loc == nil || loc[0] != 0 {
		return false
	}
	tag := s[loc[0]:loc[1]]
	return !isSelfClosingTag(tag) && !isClosingTag(tag)
}

// isSelfClosingTag 报告 tag 是不是自闭合段落标签（`<p/>`、`<p … />`）。它是既有的合法
// 形状，原样保留，也不参与配对计数。
func isSelfClosingTag(tag string) bool {
	return strings.HasSuffix(strings.TrimSuffix(tag, ">"), "/")
}

// isClosingTag 报告 tag 是不是闭标签（`</p>`）。tag 由 paragraphTagRe 产出，因此这里
// 只需看前缀。
func isClosingTag(tag string) bool {
	return strings.HasPrefix(tag, "</")
}

// allKept 报告所有标签都被保留（无改动）时 repairParagraphTags 可以原样返回 text。
func allKept(keep []bool) bool {
	for _, k := range keep {
		if !k {
			return false
		}
	}
	return true
}