"""Unscharfer Namensabgleich – aus dem Kassenzettel-Scan, jetzt auch für Rezepte.

Lag bis dahin in ``routers/products.py``. Hierher gezogen, weil der
Rezeptabgleich dieselbe Frage stellt: Welcher Artikel ist mit „Mehl" oder
„MÜHLEN SCHNITZ" gemeint? Zwei Kopien derselben Heuristik würden mit der Zeit
auseinanderlaufen.
"""

from __future__ import annotations

import difflib
import re

_UMLAUTE = str.maketrans({"ä": "ae", "ö": "oe", "ü": "ue", "ß": "ss"})


def normalisieren(text: str) -> str:
    """Klein, Umlaute aufgelöst, nur Buchstaben/Ziffern – Preise/Sonderzeichen weg."""
    text = (text or "").lower().translate(_UMLAUTE)
    return re.sub(r"[^a-z0-9]+", " ", text).strip()


def match_score(zeile: str, name: str) -> int:
    """Ähnlichkeit 0–100 zwischen gesuchtem Text und einem Namen.

    Kombiniert die Gesamt-Ähnlichkeit mit einem Token-/Präfix-Abgleich, damit
    abgekürzte Kassennamen ("MÜHLEN SCHNITZ") auf den vollen Namen passen –
    und damit eine Rezeptzutat „Mehl" den „Weissmehl Typ 550" findet.
    """
    a, b = normalisieren(zeile), normalisieren(name)
    if not a or not b:
        return 0
    gesamt = difflib.SequenceMatcher(None, a, b).ratio()
    a_tok, b_tok = a.split(), b.split()
    bester = []
    for t in a_tok:
        m = 0.0
        for u in b_tok:
            if u.startswith(t) or t.startswith(u):
                m = max(m, min(len(t), len(u)) / max(len(t), len(u)))
            else:
                m = max(m, difflib.SequenceMatcher(None, t, u).ratio())
        bester.append(m)
    token = sum(bester) / len(bester) if bester else 0.0
    return round(100 * max(gesamt, token))