-- Volltext über den *Inhalt* – die zweite Hälfte der Suche.
--
-- Migration 000013 machte Datei*namen* durchsuchbar. Das reicht, solange
-- Dateien sprechende Namen haben. Ein Scanner nennt seine Ablage aber
-- "scan_0042.pdf", und genau die Belege sollen auffindbar werden.

-- ── Der erkannte Text ─────────────────────────────────────────────────────────
-- Eigene Tabelle statt einer Spalte an files: Der Text ist um Größenordnungen
-- länger als der Rest der Zeile, und files wird bei jedem Auflisten gelesen.
-- Postgres lagert lange Werte zwar aus (TOAST), aber die tsvector-Spalte und
-- ihr GIN-Index gehörten dann trotzdem an eine Tabelle, die ständig in
-- Bewegung ist.
CREATE TABLE file_text (
    file_id    UUID        PRIMARY KEY REFERENCES files(id) ON DELETE CASCADE,
    content    TEXT        NOT NULL,
    -- Woher der Text stammt. 'layer' = das PDF hatte bereits eine Textebene
    -- (pdftotext, verlustfrei); 'ocr' = aus dem Bild erkannt, kann Fehler
    -- enthalten. Der Unterschied ist für die Fehlersuche wichtig: Findet die
    -- Suche ein Wort nicht, sagt die Herkunft, ob OCR es verlesen hat.
    source     TEXT        NOT NULL CHECK (source IN ('layer', 'ocr')),
    -- Die Sprachen, mit denen erkannt wurde ("deu+eng"). Bei 'layer' leer.
    lang       TEXT        NOT NULL DEFAULT '',
    -- Zeichenzahl des Originals vor dem Kürzen – siehe maxTextBytes im Worker.
    chars      INTEGER     NOT NULL DEFAULT 0,
    pages      INTEGER     NOT NULL DEFAULT 0,
    created_at TIMESTAMPTZ NOT NULL DEFAULT NOW(),

    -- Berechnete Spalte statt eines Triggers: Sie kann nie mit dem Inhalt
    -- auseinanderlaufen, weil Postgres sie bei jedem Schreiben selbst füllt.
    --
    -- 'german' fest verdrahtet, nicht 'simple': Ohne Stammformen fände
    -- "Rechnung" die "Rechnungen" nicht. Deutsch ist die Sprache der Belege,
    -- um die es hier geht; englische Wörter darin verlieren nur ihre
    -- Stammformbildung, sie bleiben wörtlich auffindbar. Eine Änderung wäre
    -- eine Migration – der Preis dafür, dass der Ausdruck IMMUTABLE sein muss.
    tsv tsvector GENERATED ALWAYS AS (to_tsvector('german', content)) STORED
);

CREATE INDEX idx_file_text_tsv ON file_text USING gin (tsv);

-- ── Die Warteschlange ─────────────────────────────────────────────────────────
-- Warum eine Tabelle und nicht einfach ein Goroutine-Aufruf wie bei den
-- Vorschaubildern: OCR dauert Sekunden bis Minuten. Startet der Server in
-- dieser Zeit neu – Update, Absturz, Neustart des Wirts –, ist ein Auftrag im
-- Speicher verloren, und die Datei bleibt für immer unauffindbar, ohne dass es
-- jemand merkt. Bei einem Vorschaubild fällt das auf; bei fehlendem Text nicht.
CREATE TABLE ocr_jobs (
    id         UUID        PRIMARY KEY DEFAULT gen_random_uuid(),
    -- Ein Auftrag je Datei. Wird dieselbe Datei erneut hochgeladen, ersetzt der
    -- neue Auftrag den alten (ON CONFLICT), statt sich daneben zu stapeln.
    file_id    UUID        NOT NULL UNIQUE REFERENCES files(id) ON DELETE CASCADE,
    status     TEXT        NOT NULL DEFAULT 'pending'
                           CHECK (status IN ('pending', 'running', 'done', 'failed')),
    attempts   INTEGER     NOT NULL DEFAULT 0,
    last_error TEXT        NOT NULL DEFAULT '',
    created_at TIMESTAMPTZ NOT NULL DEFAULT NOW(),
    updated_at TIMESTAMPTZ NOT NULL DEFAULT NOW()
);

-- Der Arbeiter fragt nur nach offenen Aufträgen. Ein Teilindex bleibt klein,
-- auch wenn sich zehntausend erledigte Zeilen ansammeln.
CREATE INDEX idx_ocr_jobs_pending ON ocr_jobs(created_at)
    WHERE status IN ('pending', 'running');