# ==============================================================================
# Author: Simon-Pierre Boucher <contact@spboucher.ai>
# File:   creaka/connectors/linkinbio.py
# Desc:   Connecteur ENRICHISSEMENT générique « link-in-bio » (templatisé) —
#         Linktree, Beacons, Bio.link, Milkshake, Campsite, Snipfeed.
#         Mode d'accès : requêtes directes (pages publiques SSR), repli
#         Firecrawl. Palier 1 du catalogue (§9) — le levier nº 1 : une page
#         de liens révèle D'UN COUP tous les comptes d'un créateur.
# ==============================================================================
"""Enrichissement par pages de liens (link-in-bio).

Pour chaque créateur dont `link_in_bio_url` est connue (déclarée par le
créateur dans une de ses bios — jamais devinée), on récupère la page et on
en extrait les comptes de plateformes. Signal d'identité : `link_in_bio`
(le créateur liste lui-même ses comptes) → confidence 0.95, le plus fort
(§12.1).

Templatisé : chaque service a son extracteur ; le repli générique parcourt
les ancres de la page et classe chaque URL via normalize.platform_from_url.
"""
from __future__ import annotations

import json
import re

from ..identity import account, merge_accounts
from ..normalize import platform_from_url
from ..schema import Creator
from .base import BaseConnector

# services couverts par le gabarit (§9 palier 1)
SERVICES = ("linktr.ee", "beacons.ai", "bio.link", "msha.ke",
            "campsite.bio", "snipfeed.co", "linkin.bio")

_NEXT_DATA_RE = re.compile(
    r'<script id="__NEXT_DATA__"[^>]*>(.*?)</script>', re.S)
_HREF_RE = re.compile(r'href="([^"]+)"', re.I)


def is_supported(url: str | None) -> bool:
    return bool(url) and any(s in url for s in SERVICES)


def parse_links(html: str) -> list[str]:
    """Extrait toutes les URLs sortantes d'une page link-in-bio.

    Linktree/Beacons sont des apps Next.js : les liens vivent dans le JSON
    __NEXT_DATA__ (plus fiable que le DOM). Repli : ancres du HTML.
    """
    urls: list[str] = []
    m = _NEXT_DATA_RE.search(html)
    if m:
        try:
            data = json.loads(m.group(1))
            urls.extend(_walk_urls(data))
        except Exception:
            pass
    for href in _HREF_RE.findall(html):
        if href.startswith("http"):
            urls.append(href)
    # dédupliquer en conservant l'ordre (l'ordre de la page = priorité du créateur)
    seen: set[str] = set()
    out = []
    for u in urls:
        u = u.split("?utm")[0].rstrip("/")
        if u not in seen:
            seen.add(u)
            out.append(u)
    return out


def _walk_urls(node) -> list[str]:
    """Parcourt récursivement le JSON Next.js et récolte toute valeur 'url'."""
    found: list[str] = []
    if isinstance(node, dict):
        for k, v in node.items():
            if k in ("url", "href") and isinstance(v, str) and v.startswith("http"):
                found.append(v)
            else:
                found.extend(_walk_urls(v))
    elif isinstance(node, list):
        for item in node:
            found.extend(_walk_urls(item))
    return found


def extract_accounts(html: str) -> list:
    """Page link-in-bio → comptes de plateformes (signal fort link_in_bio)."""
    accounts = []
    seen: set[str] = set()
    for url in parse_links(html):
        hit = platform_from_url(url)
        if not hit:
            continue
        platform, handle = hit
        key = f"{platform}:{handle}"
        if key in seen:
            continue
        seen.add(key)
        accounts.append(account(platform, handle, "link_in_bio", url=url))
    return accounts


class LinkInBioConnector(BaseConnector):
    source_id = "link-in-bio"
    kind = "enrichment"
    request_delay = 1.2
    max_pages = 500          # garde-fou par passage

    def enrich(self, creators: list[Creator]) -> list[Creator]:
        enriched: list[Creator] = []
        fetched = 0
        for cr in creators:
            if fetched >= self.max_pages:
                break
            if not is_supported(cr.link_in_bio_url):
                continue
            try:
                html = self.get(cr.link_in_bio_url).text
            except Exception:
                try:
                    html = self.get_rendered(cr.link_in_bio_url)
                except Exception:
                    continue
            fetched += 1
            accounts = extract_accounts(html)
            if not accounts:
                continue
            cr.platforms = merge_accounts(cr.platforms, [a.finalize()
                                                         for a in accounts])
            enriched.append(cr)
        return enriched