#!/usr/bin/env python3
"""Quita el tag de Google Analytics clasico (UA-32008163-1) del mirror servible.

UA dejo de procesar datos en julio de 2023: el snippet solo sirve para pedir un
ga.js muerto en cada carga. Se quita el bloque <script> ENTERO que lo contiene,
no solo la linea del ID, porque dejar el `_gaq.push` suelto no ahorra la peticion.

**GA4 (G-6RT9ZRS4LW) se queda**: es un bloque <script> distinto y Rafa quiere
seguir midiendo el archivo (#180 comment-504, decision 4).

Solo se toca `site/` (el arbol servible). `raw/` queda intacto como captura fiel
del original, igual que se hizo con los botones sociales.

Uso: python3 60-quitar-ua.py [--dry-run]
"""
import os, re, sys, hashlib

DRY = "--dry-run" in sys.argv
BASE = "/home/rafa/joomla-migration/mirror-antiguo"
RUN = open(os.path.join(BASE, "CURRENT_RUN")).read().strip()
SITE = os.path.join(BASE, "runs", RUN, "site", "antiguo.feadulta.com")

UA = "UA-32008163-1"
GA4 = "G-6RT9ZRS4LW"

# Bloque <script>…</script> que contiene el UA. El (?:(?!</script>).)*? impide
# que el .*? se coma varios bloques seguidos y se lleve por delante el GA4.
BLOQUE = re.compile(
    r"[ \t]*<script[^>]*>(?:(?!</script>).)*?" + re.escape(UA) +
    r"(?:(?!</script>).)*?</script>\s*", re.S)

tocados = errores = 0
sin_ga4 = []
bytes_antes = bytes_despues = 0

for raiz, _, ficheros in os.walk(SITE):
    for f in ficheros:
        if not f.lower().endswith((".html", ".htm")) and "." in f:
            continue
        ruta = os.path.join(raiz, f)
        try:
            txt = open(ruta, encoding="utf-8", errors="surrogateescape").read()
        except (OSError, UnicodeDecodeError):
            continue
        if UA not in txt:
            continue

        tenia_ga4 = GA4 in txt
        nuevo, n = BLOQUE.subn("\n", txt)

        if UA in nuevo:
            # El bloque no casó: no dejar el fichero a medias, mejor avisar.
            errores += 1
            continue
        if tenia_ga4 and GA4 not in nuevo:
            sin_ga4.append(ruta)
            continue

        bytes_antes += len(txt)
        bytes_despues += len(nuevo)
        tocados += 1
        if not DRY:
            with open(ruta, "w", encoding="utf-8", errors="surrogateescape") as fh:
                fh.write(nuevo)

print(f"ficheros modificados : {tocados}")
print(f"no casó el patron    : {errores}")
print(f"habrian perdido GA4  : {len(sin_ga4)}")
for r in sin_ga4[:5]:
    print("   ", r)
if tocados:
    print(f"bytes                : {bytes_antes:,} -> {bytes_despues:,} "
          f"({bytes_antes - bytes_despues:,} menos)")
print("(DRY RUN, no se ha escrito nada)" if DRY else "escrito")