"""HTML aus E-Mail-Artikeln sicher in lesbaren Text umwandeln.

Bewusst ohne externe Bibliothek und ohne Ausgabe von HTML: So können weder
Schadcode noch nachgeladene Bilder/Tracking-Pixel aus Support-Mails ausgeführt
werden. Block-Tags werden zu Zeilenumbrüchen, der Rest entfernt.
"""
import re
from html.parser import HTMLParser

_BLOCK = {"p", "div", "br", "li", "tr", "table", "blockquote", "h1", "h2",
          "h3", "h4", "h5", "h6", "ul", "ol", "section", "article", "header"}
_DROP = {"script", "style", "head", "title"}


class _Extractor(HTMLParser):
    def __init__(self):
        super().__init__(convert_charrefs=True)
        self.parts = []
        self._skip = 0

    def handle_starttag(self, tag, attrs):
        if tag in _DROP:
            self._skip += 1
        elif tag in _BLOCK:
            self.parts.append("\n")

    def handle_endtag(self, tag):
        if tag in _DROP and self._skip:
            self._skip -= 1
        elif tag in _BLOCK:
            self.parts.append("\n")

    def handle_data(self, data):
        if not self._skip:
            self.parts.append(data)


def clean_html(html: str) -> str:
    if not html:
        return ""
    p = _Extractor()
    try:
        p.feed(html)
    except Exception:  # noqa: BLE001 - bei kaputtem HTML lieber Rohtext
        return re.sub(r"<[^>]+>", "", html).strip()
    text = "".join(p.parts)
    # Mehrfache Leerzeichen/Leerzeilen zusammenfassen
    text = re.sub(r"[ \t]+", " ", text)
    text = re.sub(r" *\n *", "\n", text)
    text = re.sub(r"\n{3,}", "\n\n", text)
    return text.strip()