#!/usr/bin/env python3
"""§3.5 del plan: deriva `site/` a partir de `raw/` (que queda intacto).

- Reescribe los enlaces absolutos a `antiguo.feadulta.com` como raiz-relativos, para que el mirror
  funcione bajo cualquier hostname (p.ej. legacy.rafacalvo.nyc).
- Deja intactos los enlaces externos (incluido www.feadulta.com, que ahora es WordPress).
- Neutraliza los formularios que apuntan a endpoints PHP vivos: quedan inertes y con aviso.
- Descarta las vistas de impresion (`?tmpl=component&print=1`), que duplican paginas ya capturadas.
- Deja una copia sin la query en el nombre para los ficheros que wget guardo como `app.js?hash`
  o `titulo?.html` (alias con '?' literal): un servidor estatico busca el nombre sin query.

Uso: 45-normalize-links.py [--no-copy]   (--no-copy reaprovecha el site/ existente)
"""
import os, re, json, shutil, sys
from collections import Counter

BASE = "/home/rafa/joomla-migration/mirror-antiguo"
RUN = open(os.path.join(BASE, "CURRENT_RUN")).read().strip()
DIR = os.path.join(BASE, "runs", RUN)
RAW, SITE = os.path.join(DIR, "raw"), os.path.join(DIR, "site")

HOSTABS = re.compile(rb'(?:https?:)?//antiguo\.feadulta\.com', re.I)
FORM = re.compile(rb'<form\b[^>]*>', re.I)
ACTION = re.compile(rb'action\s*=\s*["\']([^"\']*)["\']', re.I)

AVISO = (b'<div style="background:#ffe9e9;border:1px solid #c00;padding:8px;margin:8px 0;'
         b'font:13px sans-serif">Archivo hist\xc3\xb3rico: este formulario no est\xc3\xa1 '
         b'operativo.</div>')

TEXTEXT = (".html", ".htm", ".css", ".js")


def basename_sin_query(fn):
    """`app.js?hash` -> `app.js`;  `titulo?.html` -> `titulo`.  Sin '?' devuelve el propio nombre."""
    return fn.split("?", 1)[0]


def paso1_nombres_con_query(stats):
    """Se ejecuta ANTES de reescribir: descarta impresiones y crea las copias de nombre limpio."""
    for root, _d, files in os.walk(SITE):
        for fn in list(files):
            if "?" not in fn:
                continue
            src = os.path.join(root, fn)
            if "print=1" in fn:
                os.remove(src)
                stats["vistas_impresion_descartadas"] += 1
                continue
            base = basename_sin_query(fn)
            if not base:
                continue
            dst = os.path.join(root, base)
            if not os.path.exists(dst):
                shutil.copy2(src, dst)
                stats["copias_con_nombre_limpio"] += 1


def paso2_reescribe(stats):
    for root, _d, files in os.walk(SITE):
        for fn in files:
            # la extension se mira sobre el nombre SIN query: `x.html?foo` sigue siendo HTML
            base = basename_sin_query(fn).lower()
            if not base.endswith(TEXTEXT):
                continue
            p = os.path.join(root, fn)
            try:
                data = open(p, "rb").read()
            except OSError:
                continue
            orig = data

            data, n = HOSTABS.subn(b"", data)
            stats["enlaces_absolutos_reescritos"] += n

            if base.endswith((".html", ".htm")):
                def fix_form(m):
                    tag = m.group(0)
                    a = ACTION.search(tag)
                    if a and b".php" in a.group(1):
                        stats["formularios_neutralizados"] += 1
                        return ACTION.sub(b'action="#" onsubmit="return false"', tag) + AVISO
                    return tag
                data = FORM.sub(fix_form, data)

            if data != orig:
                open(p, "wb").write(data)
                stats["ficheros_modificados"] += 1


def main():
    if "--no-copy" not in sys.argv:
        if os.path.exists(SITE):
            print("site/ ya existe, lo borro"); shutil.rmtree(SITE)
        print("copiando raw/ -> site/ ...")
        shutil.copytree(RAW, SITE)
    else:
        print("reaprovechando site/ existente")

    stats = Counter()
    paso1_nombres_con_query(stats)
    paso2_reescribe(stats)

    out = os.path.join(DIR, "link-rewrite.json")
    json.dump(dict(stats), open(out, "w"), indent=2, ensure_ascii=False)
    print(json.dumps(dict(stats), indent=2, ensure_ascii=False))
    print("informe:", out)


if __name__ == "__main__":
    main()