import re, json, html, glob

IMG_BASE = "/fea/wp-content/uploads/anterior-mardones/"

# filename -> (titulo, autor_wp, [imagenes])
ORAR_AUTHOR = 710  # Mardones
HOM_AUTHOR  = 1    # genérico (como página 17990)
META = {
 "orar-1-dejarmequerer":("Dejarme querer",ORAR_AUTHOR,[]),
 "orar-2-escuchar":("Escuchar",ORAR_AUTHOR,[]),
 "orar-3-estar":("Estar",ORAR_AUTHOR,[]),
 "orar-4-hacersitioadios":("Hacer sitio a Dios",ORAR_AUTHOR,[]),
 "orar-5-laoracionadulta":("La oración adulta",ORAR_AUTHOR,[]),
 "orar-6-orarconevangelio":("Orar con el evangelio",ORAR_AUTHOR,[]),
 "orar-7-orarrepitiendo":("Orar repitiendo una palabra o frase breve",ORAR_AUTHOR,[]),
 "orar-8-tuestasdentro":("Tú estás dentro",ORAR_AUTHOR,[]),
 "homenaje-segundo-aniversario":("En el segundo aniversario",HOM_AUTHOR,[]),
 "homenaje-14noviembre":("14 de noviembre de 2007",HOM_AUTHOR,[]),
 "homenaje-PRIMERaniversario":("Primer aniversario",HOM_AUTHOR,[]),
 "homenaje-aniversario":("Programa en el aniversario",HOM_AUTHOR,["homenaje-charla-mejico.jpg"]),
 "homenaje-rostrointerior":("Rostro interior de José María Mardones",HOM_AUTHOR,[]),
 "homenaje-cartaReyes":("Carta a un Maestro",HOM_AUTHOR,[]),
 "homenaje-9":("Semblanza",HOM_AUTHOR,[]),
 "homenaje-8":("Álbum de fotos de José María Mardones",HOM_AUTHOR,
    ["homenaje-album-%d.jpg"%i for i in range(1,8)]),
 "homenaje-1":("Funeral del sábado 24 de junio",HOM_AUTHOR,[]),
 "homenaje-2":("Funeral del jueves 29 de junio",HOM_AUTHOR,[]),
 "homenaje-5":("Obituario en El Mundo",HOM_AUTHOR,[]),
 "homenaje-6":("Necrológicas en El País",HOM_AUTHOR,[]),
 "homenaje-4":("Salmo a la Encarnación de Dios",HOM_AUTHOR,[]),
 "homenaje-3":("Conferencia: ¿Por qué preocuparse por los demás? Ética y convivencia",HOM_AUTHOR,[]),
 "homenaje-7":("Currículo de José María Mardones",HOM_AUTHOR,[]),
}

BOILER = re.compile(r'cristianos siglo veintiuno|^I N M E M O R I A M$|^HOMENAJE$|^homenaje a JOSE|APRENDIENDO A ORAR cristianos', re.I)

def extract(fn):
    raw=open(fn,'rb').read().decode('windows-1252',errors='replace')
    raw=re.sub(r'(?is)<(script|style).*?</\1>','',raw)
    raw=re.sub(r'(?is)<!--.*?-->','',raw)
    blocks=[]
    for p in re.findall(r'(?is)<p\b[^>]*>(.*?)</p>',raw):
        # preservar enlaces externos
        links=re.findall(r'(?is)<a\s+[^>]*href="(https?://[^"]+)"[^>]*>(.*?)</a>',p)
        t=re.sub(r'(?is)<[^>]+>','',p)
        t=html.unescape(t).replace('\xa0',' ')
        t=re.sub(r'\s+',' ',t).strip()
        if len(t)<3: 
            # párrafo solo-enlace
            if links:
                for href,txt in links:
                    txt=re.sub(r'<[^>]+>','',txt).strip() or href
                    blocks.append(('link',href,txt))
            continue
        if BOILER.search(t): 
            continue
        # ¿el párrafo contiene un enlace externo embebido? añadir como link extra
        blocks.append(('p',t,links))
    return blocks

def build_html(blocks, imgs):
    out=[]
    for b in blocks:
        if b[0]=='p':
            if re.match(r'^https?://\S+$', b[1]):
                out.append('<p><a href="%s" target="_blank" rel="noopener">%s</a></p>'%(html.escape(b[1]),html.escape(b[1])))
                continue
            txt=html.escape(b[1])
            # re-incrustar enlaces externos que estaban en el párrafo
            for href,atxt in b[2]:
                atxt_clean=html.escape(re.sub(r'<[^>]+>','',atxt).strip() or href)
                # no siempre está el texto en txt; añadimos al final si no
            out.append("<p>%s</p>"%txt)
        elif b[0]=='link':
            out.append('<p><a href="%s" target="_blank" rel="noopener">%s</a></p>'%(html.escape(b[1]),html.escape(b[2])))
    # imágenes al final
    for im in imgs:
        out.append('<p><img src="%s%s" alt="José María Mardones" style="max-width:100%%;height:auto"/></p>'%(IMG_BASE,im))
    return "\n".join(out)

manifest=[]
for fn in sorted(glob.glob("*.htm")):
    key=fn[:-4]
    if key not in META: 
        print("SIN META:",key); continue
    title,author,imgs=META[key]
    blocks=extract(fn)
    content=build_html(blocks,imgs)
    manifest.append({"file":key,"title":title,"author":author,"content":content,"nparas":len([b for b in blocks if b[0]=='p']),"nimgs":len(imgs)})

json.dump(manifest,open("manifest.json","w"),ensure_ascii=False,indent=1)
print("manifest:",len(manifest),"posts")
for m in manifest: print(f"  {m['file']:34} '{m['title'][:35]}' autor={m['author']} paras={m['nparas']} imgs={m['nimgs']} len={len(m['content'])}")