# ==============================================================================
# Author: Simon-Pierre Boucher <contact@spboucher.ai>
# File:   creaka/connectors/base.py
# Desc:   Classe de base des connecteurs + backends de fetch (requests direct,
#         Firecrawl, Scrapfly) — calquée sur louka/connectors/base.py
# ==============================================================================
from __future__ import annotations

import json
import os
import time

import requests

USER_AGENT = ("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) "
              "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126 Safari/537.36 "
              "CreaKaBot/1.0 (+https://www.crea-ka.com/bot; contact@spboucher.ai)")

FIRECRAWL_API = "https://api.firecrawl.dev/v1/scrape"
SCRAPFLY_API = "https://api.scrapfly.io/scrape"


class SkipSource(Exception):
    """Passage sauté VOLONTAIREMENT (ex. clés API absentes) — pas un échec.

    Le pipeline (ingest.py) le journalise clairement, sans alerte de blocage
    ni run « 0 créateur » dans sync_log (§16, §18 monitoring).
    """


class BaseConnector:
    """Un connecteur = un adaptateur propre à une source (CLAUDE.md §8).

    Deux familles :
    - `kind = "discovery"`  : `fetch()` retourne la liste de fiches `Creator`
      découvertes (listes médias, hashtags, agences…).
    - `kind = "enrichment"` : `enrich(creators)` reçoit les fiches existantes
      et retourne celles qu'il a enrichies (profil, abonnés, liens).

    Le pipeline (ingest.py) s'occupe du diff avec la base de données.
    Chaque connecteur documente en tête son MODE D'ACCÈS (API / Firecrawl /
    Scrapfly / link-in-bio) et sa famille (§10, §17).
    """

    source_id: str = ""
    kind: str = "discovery"              # discovery | enrichment
    request_delay: float = 0.8           # politesse entre requêtes (§15 rate-limit)
    timeout: int = 30

    def __init__(self) -> None:
        self.session = requests.Session()
        self.session.headers["User-Agent"] = USER_AGENT
        self._last_request = 0.0

    # -- backends -------------------------------------------------------------
    def _throttle(self) -> None:
        wait = self.request_delay - (time.time() - self._last_request)
        if wait > 0:
            time.sleep(wait)

    def get(self, url: str, **kw) -> requests.Response:
        """GET direct avec throttling poli."""
        self._throttle()
        resp = self.session.get(url, timeout=self.timeout, **kw)
        self._last_request = time.time()
        resp.raise_for_status()
        return resp

    def post(self, url: str, **kw) -> requests.Response:
        """POST direct avec throttling poli (APIs officielles)."""
        self._throttle()
        resp = self.session.post(url, timeout=self.timeout, **kw)
        self._last_request = time.time()
        resp.raise_for_status()
        return resp

    def get_rendered(self, url: str) -> str:
        """HTML rendu (JavaScript exécuté) via Firecrawl.

        Nécessite FIRECRAWL_API_KEY dans l'environnement (.env). Pour les
        pages publiques relativement ouvertes (agences, listes, blogues).
        """
        key = os.environ.get("FIRECRAWL_API_KEY")
        if not key:
            raise RuntimeError("FIRECRAWL_API_KEY manquant (voir .env)")
        resp = requests.post(
            FIRECRAWL_API,
            json={"url": url, "formats": ["html"]},
            headers={"Authorization": f"Bearer {key}"},
            timeout=90,
        )
        resp.raise_for_status()
        data = resp.json()
        return (data.get("data") or {}).get("html", "")

    def scrapfly(self, url: str, render_js: bool = True, asp: bool = True,
                 rendering_wait: int = 0, country: str = "ca",
                 wait_for_selector: str | None = None,
                 headers: dict | None = None) -> dict:
        """Appel Scrapfly — retourne le dict `result` (content, status_code…).

        À MINIMISER (§10) : uniquement les plateformes hostiles au scraping,
        faute d'API officielle, dans le respect des CGU (§15).
        """
        key = os.environ.get("SCRAPFLY_KEY")
        if not key:
            raise RuntimeError("SCRAPFLY_KEY manquant (voir .env)")
        params: dict = {"key": key, "url": url, "country": country}
        if asp:
            params["asp"] = "true"
        if render_js:
            params["render_js"] = "true"
        if rendering_wait:
            params["rendering_wait"] = rendering_wait
        if wait_for_selector:
            params["wait_for_selector"] = wait_for_selector
        if headers:
            for k, v in headers.items():
                params[f"headers[{k}]"] = v
        self._throttle()
        resp = requests.get(SCRAPFLY_API, params=params, timeout=120)
        self._last_request = time.time()
        resp.raise_for_status()
        return resp.json().get("result") or {}

    # -- interface ------------------------------------------------------------
    def fetch(self) -> list:
        """Découverte : liste complète des fiches `Creator` de la source."""
        raise NotImplementedError

    def enrich(self, creators: list) -> list:
        """Enrichissement : retourne les fiches modifiées (sous-ensemble)."""
        raise NotImplementedError


def load_json(text: str):
    """json.loads tolérant (BOM, espaces)."""
    return json.loads(text.strip().lstrip(""))


# =============================================================================
# Résilience anti-bot (Groupe KA) — auto-escalade de get() sans toucher au corps.
# Ajouté par l'orchestrateur KA : enrobe BaseConnector.get pour qu'un blocage
# anti-bot (403/429/503/challenge) ou une coupure réseau déclenche la chaîne
# de secours (Oxylabs résidentiel -> Scrapfly ASP -> Bright Data). Voir
# connectors/_resilient.py. Idempotent (marqueur _KA_RESILIENT_WRAPPED).
# =============================================================================
if not getattr(BaseConnector, "_KA_RESILIENT_WRAPPED", False):
    import requests as _ka_requests  # noqa: E402
    from . import _resilient as _kar  # noqa: E402

    _ka_orig_get = BaseConnector.get

    def _ka_full_url(url, kw):
        try:
            return _ka_requests.Request("GET", url,
                                        params=kw.get("params")).prepare().url
        except Exception:  # noqa: BLE001
            return url

    def _ka_resilient_get(self, url, **kw):
        timeout = getattr(self, "timeout", 30)
        headers = kw.get("headers")
        try:
            return _ka_orig_get(self, url, **kw)
        except _ka_requests.HTTPError as exc:
            r = getattr(exc, "response", None)
            if r is not None and _kar.is_blocked(r):
                target = getattr(r, "url", None) or _ka_full_url(url, kw)
                better = _kar.escalate_if_blocked(
                    r, target, timeout=timeout, headers=headers)
                if better is not None and getattr(better, "status_code", 0) == 200:
                    return better
            raise
        except (_ka_requests.ConnectionError, _ka_requests.Timeout):
            better = _kar.escalate(_ka_full_url(url, kw),
                                   timeout=timeout, headers=headers)
            if better is not None and getattr(better, "status_code", 0) == 200:
                return better
            raise

    def _ka_get_resilient(self, url, *, render_js=False, country="ca", **kw):
        """Fetch anti-bot explicite : force la chaîne de secours au besoin.

        Comme get() mais tente d'abord le direct puis escalade même sur 200-
        challenge, avec rendu JS optionnel. Renvoie une réponse compatible
        requests (.text/.content/.status_code/.json()...).
        """
        timeout = getattr(self, "timeout", 30)
        headers = kw.get("headers")
        try:
            resp = _ka_orig_get(self, url, **kw)
        except _ka_requests.HTTPError as exc:
            resp = getattr(exc, "response", None)
        except (_ka_requests.ConnectionError, _ka_requests.Timeout):
            resp = None
        target = _ka_full_url(url, kw)
        if resp is not None and getattr(resp, "url", None):
            target = resp.url
        return _kar.escalate_if_blocked(resp, target, timeout=timeout,
                                        country=country, render_js=render_js,
                                        headers=headers)

    BaseConnector.get = _ka_resilient_get
    BaseConnector.get_resilient = _ka_get_resilient
    BaseConnector._KA_RESILIENT_WRAPPED = True