vrsub/tests/nodes/test_srt/test_parsing.py

"""nodes/srt.py 的模块级测试（数据 → 测试过程 → 验证结果）。

被测模块：`nodes/srt.py`（SRT 条目解析与序列化），是 `llm-translate`、
`llm-filter` 等节点的公共依赖，可独立调用也可被组合调用，因此按规则
拥有独立的模块测试目录 `tests/nodes/test_srt/`。

结构约定：每个用例先准备输入数据，再调用真实生产代码 `parse_srt` /
`serialize_srt`，最后断言输出结果；数据为测试代码内常量或本目录 `data/`
下的真实字幕文件，不依赖全局 conftest 与其他测试的执行顺序。
"""

from __future__ import annotations

from pathlib import Path

import pytest

from nodes.srt import Cue, parse_srt, serialize_srt

# 模块专用数据目录：真实字幕文件放在测试代码所在目录内，与其他测试区分。
DATA_DIR = Path(__file__).resolve().parent / "data"

# 真实字幕参考文件（5 条，含 `---` 装饰正文与多条连续条目）。
SAMPLE_REFERENCE_SRT = DATA_DIR / "sample.reference.srt"


def test_parses_single_cue() -> None:
    """最基本的合法 SRT：一条字幕解析出时间戳与正文。"""
    # 数据：标准格式的单条字幕。
    text = "1\n00:00:01,000 --> 00:00:02,000\n你好\n"

    # 测试过程：调用真实解析函数。
    cues = parse_srt(text)

    # 验证结果：条目数量、时间戳与正文完全一致。
    assert cues == [Cue("00:00:01,000", "00:00:02,000", "你好")]


def test_accepts_bom_and_crlf() -> None:
    """兼容 Windows BOM 与 CRLF 换行（真实字幕文件常见编码形态）。"""
    # 数据：带 BOM 且行尾为 \r\n 的 SRT。
    text = "\ufeff1\r\n00:00:01,000 --> 00:00:02,000\r\n你好\r\n"

    # 测试过程
    cues = parse_srt(text)

    # 验证结果：BOM 与 \r 不残留到正文。
    assert cues == [Cue("00:00:01,000", "00:00:02,000", "你好")]


def test_keeps_multiline_body() -> None:
    """多行正文（含逗号类标点）必须完整保留内部换行。"""
    # 数据：第二条以正文结尾（文件末尾无空行）。
    text = (
        "1\n00:00:01,000 --> 00:00:02,000\n第一行\n第二行\n\n"
        "2\n00:00:03,000 --> 00:00:04,000\n末尾无空行"
    )

    # 测试过程
    cues = parse_srt(text)

    # 验证结果：两条条目、正文分别保留内部换行。
    assert [cue.text for cue in cues] == ["第一行\n第二行", "末尾无空行"]


def test_keeps_empty_body_with_timeline() -> None:
    """空正文条目保留时间轴（翻译节点需要空 cue 占位对齐）。"""
    # 数据：第一条正文为空，第二条有正文。
    text = (
        "1\n00:00:01,000 --> 00:00:02,000\n\n"
        "2\n00:00:03,000 --> 00:00:04,000\n有词\n"
    )

    # 测试过程
    cues = parse_srt(text)

    # 验证结果：空正文解析为空字符串，但时间轴不被丢弃。
    assert cues[0] == Cue("00:00:01,000", "00:00:02,000", "")
    assert len(cues) == 2


def test_treats_whitespace_only_body_as_empty() -> None:
    """仅含空白的正文视为空正文，不作为正文内容写入。"""
    # 数据：第一条正文是三个空格。
    text = (
        "1\n00:00:01,000 --> 00:00:02,000\n   \n"
        "2\n00:00:03,000 --> 00:00:04,000\nB\n"
    )

    # 测试过程
    cues = parse_srt(text)

    # 验证结果
    assert [cue.text for cue in cues] == ["", "B"]


def test_accepts_extra_spaces_around_arrow() -> None:
    """时间戳箭头两侧多余空格不导致解析失败。"""
    # 数据：箭头两侧各三个空格。
    text = "1\n00:00:01,000   -->   00:00:02,000\nA\n"

    # 测试过程与验证结果
    assert parse_srt(text) == [Cue("00:00:01,000", "00:00:02,000", "A")]


def test_accepts_arbitrary_index_numbers() -> None:
    """序号只需是数字：真实字幕（如参考 SRT）序号可以不从 1 连续。"""
    # 数据：序号为 7 与 16（真实参考字幕的形态）。
    text = "7\n00:00:01,000 --> 00:00:02,000\nA\n\n16\n00:00:03,000 --> 00:00:04,000\nB\n"

    # 测试过程
    cues = parse_srt(text)

    # 验证结果：序号不参与输出，只保留时间戳与正文。
    assert cues == [Cue("00:00:01,000", "00:00:02,000", "A"), Cue("00:00:03,000", "00:00:04,000", "B")]


def test_accepts_hours_over_99() -> None:
    """超过两位的小时数（长视频）必须保留原样。"""
    # 数据：小时为 100。
    text = "1\n100:00:01,000 --> 100:00:02,000\nA\n"

    # 测试过程与验证结果
    assert parse_srt(text)[0].start == "100:00:01,000"


def test_empty_and_blank_input_return_no_cues() -> None:
    """空文件与仅含空行的文件都返回空列表，而不是报错。"""
    # 数据：空字符串、纯空行两类输入。
    # 测试过程与验证结果
    assert parse_srt("") == []
    assert parse_srt("\n\n\n") == []


def test_rejects_dot_millisecond_separator() -> None:
    """毫秒分隔符是逗号；点号（VTT 风格）必须明确报错而非静默错解析。"""
    # 数据：时间戳使用点号。
    text = "1\n00:00:01.000 --> 00:00:02.000\nA\n"

    # 测试过程与验证结果：抛出 ValueError 并给出行号。
    with pytest.raises(ValueError, match="timestamp"):
        parse_srt(text)


def test_rejects_missing_index() -> None:
    """缺少序号行时明确报错（否则时间轴行会被当成序号）。"""
    # 数据：直接以时间戳开头。
    text = "00:00:01,000 --> 00:00:02,000\nA\n"

    # 测试过程与验证结果
    with pytest.raises(ValueError, match="index"):
        parse_srt(text)


def test_rejects_truncated_last_entry() -> None:
    """末尾条目只有序号、没有时间戳时明确报错。"""
    # 数据：最后一行是孤立的序号 2。
    text = "1\n00:00:01,000 --> 00:00:02,000\nA\n\n2\n"

    # 测试过程与验证结果
    with pytest.raises(ValueError, match="index"):
        parse_srt(text)


def test_rejects_negative_timestamp() -> None:
    """负时间戳非法，必须报错。"""
    # 数据：起始时间为负数。
    text = "1\n-00:00:01,000 --> 00:00:02,000\nA\n"

    # 测试过程与验证结果
    with pytest.raises(ValueError, match="timestamp"):
        parse_srt(text)


def test_no_blank_line_between_cues_keeps_timeline_in_body() -> None:
    """缺少空行分隔时必须报错，而不是把下一条的时间轴吞进上一条正文。

    真实形态：`...\\nA\\n2\\n00:00:03,000 --> 00:00:04,000\\nB\\n`。
    当前实现会把 `2` 与时间轴行当作上一条正文，静默产出时间轴错位的字幕
    （同 R05 类"静默错位"缺陷：解析不报错，但字幕时间与文本不对应）。
    """
    # 数据：两条条目之间没有空行分隔。
    text = "1\n00:00:01,000 --> 00:00:02,000\nA\n2\n00:00:03,000 --> 00:00:04,000\nB\n"

    # 测试过程与验证结果：应明确报错，不能静默吞并。
    with pytest.raises(ValueError):
        parse_srt(text)


def test_serialize_renumbers_and_keeps_empty_cue() -> None:
    """序列化按顺序重排序号，空正文条目仍保留时间轴行。"""
    # 数据：两条条目，第二条正文为空。
    cues = [Cue("00:00:01,000", "00:00:02,000", "A"), Cue("00:00:03,000", "00:00:04,000", "")]

    # 测试过程
    text = serialize_srt(cues)

    # 验证结果：序号连续、空正文条目保留时间轴与尾随空行。
    assert text == (
        "1\n00:00:01,000 --> 00:00:02,000\nA\n\n"
        "2\n00:00:03,000 --> 00:00:04,000\n\n"
    )


def test_serialize_empty_list_returns_empty_text() -> None:
    """空列表序列化为空字符串（供节点写出空字幕）。"""
    # 数据：空条目列表。
    # 测试过程与验证结果
    assert serialize_srt([]) == ""


def test_round_trip_is_stable_on_real_reference_srt() -> None:
    """真实参考字幕：解析 → 序列化 → 再解析结果完全一致（时间轴无损）。"""
    # 数据：本模块 data/ 下的真实参考字幕（5 条，含 `---` 正文）。
    raw = SAMPLE_REFERENCE_SRT.read_text(encoding="utf-8")

    # 测试过程：解析后序列化，再解析一次。
    first = parse_srt(raw)
    second = parse_srt(serialize_srt(first))

    # 验证结果：条目数与内容不变，且时间轴行数与源文件一致。
    assert first == second
    assert len(first) == sum(1 for line in raw.splitlines() if "-->" in line)
    assert first[2].text == "---"