# ==============================================================================
# Author: Simon-Pierre Boucher <contact@spboucher.ai>
# File:   creaka/connectors/onlyqueb.py
# Desc:   Connecteur DÉCOUVERTE — OnlyQueb (onlyqueb.com), annuaire public de
#         créatrices/créateurs québécois sur abonnement. Mode d'accès : requêtes
#         directes (sitemap.xml + JSON-LD des pages profil, SSR). Palier 3 (§9).
#         Les liens `sameAs` sont AUTO-DÉCLARÉS par la personne sur son profil
#         → signal cross_link (0.90, §12.1).
# ==============================================================================
"""Découverte via le hub OnlyQueb.

Chaque page profil expose un JSON-LD schema.org ProfilePage propre :
nom public, photo de profil publique et liste `sameAs` des comptes
(OnlyFans, Instagram, TikTok, X…). Adultes uniquement (plateforme 18+).
On n'agrège que ce que la personne affiche elle-même sur son profil (§15).
"""
from __future__ import annotations

import json
import re

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

SITEMAP_URL = "https://onlyqueb.com/sitemap.xml"
_LOC_RE = re.compile(r"<loc>([^<]+)</loc>")
_LD_RE = re.compile(r'application/ld\+json"[^>]*>(.*?)</script>', re.S)
_EXCLUDED = ("/en", "/categories", "/explore", "/seo", "/signup", "/blog")
# fragments du payload Next.js/RSC embarqué dans la page (self.__next_f.push)
_PUSH_RE = re.compile(r'self\.__next_f\.push\(\[1,"((?:[^"\\]|\\.)*)"\]\)')

# catégories OnlyQueb → niches §6.1 quand le lien de sens existe ; les
# descripteurs physiques (blonde, petite…) ne sont PAS des niches → « autre »
_CAT_NICHE = {"cosplay": "arts", "gamer": "gaming", "gaming": "gaming",
              "fitness": "sport-fitness", "athletic": "sport-fitness"}


def parse_profile_ld(html: str) -> dict | None:
    """Page profil → {name, image, links[]} depuis le JSON-LD (None si absent)."""
    for blob in _LD_RE.findall(html):
        try:
            data = json.loads(blob)
        except Exception:
            continue
        if data.get("@type") != "ProfilePage":
            continue
        person = data.get("mainEntity") or {}
        if person.get("@type") != "Person":
            continue
        return {"name": (person.get("name") or "").strip(),
                "image": person.get("image") or None,
                "links": [u for u in (person.get("sameAs") or [])
                          if isinstance(u, str)]}
    return None


def parse_profile_next(html: str) -> dict:
    """Page profil → objet `profile` du payload Next.js/RSC ({} si absent).

    La même page expose, au-delà du JSON-LD, la fiche complète auto-déclarée :
    displayName réel, bio, headline, categories[], mymUrl/fanslyUrl/ofUrl,
    websiteUrl, updatedAt. Chaque fragment `self.__next_f.push([1,"…"])` est
    une chaîne JS → décodée comme chaîne JSON, puis l'objet `"profile":{…}`
    est extrait par décodage équilibré (raw_decode).
    """
    for m in _PUSH_RE.finditer(html):
        try:
            chunk = json.loads(f'"{m.group(1)}"')
        except Exception:
            continue
        i = chunk.find('"profile":{')
        if i < 0:
            continue
        try:
            obj, _ = json.JSONDecoder().raw_decode(chunk, i + len('"profile":'))
        except Exception:
            continue
        if isinstance(obj, dict) and obj.get("displayName") is not None:
            return obj
    return {}


class OnlyQuebConnector(BaseConnector):
    source_id = "onlyqueb"
    kind = "discovery"
    request_delay = 1.0
    max_profiles = 600       # garde-fou par passage

    def _profile_urls(self) -> list[str]:
        xml = self.get(SITEMAP_URL).text
        urls = []
        for u in _LOC_RE.findall(xml):
            path = u.split("onlyqueb.com", 1)[-1]
            if path and path != "/" and path.count("/") == 1 \
                    and not any(path.startswith(e) for e in _EXCLUDED):
                urls.append(u)
        return urls[:self.max_profiles]

    def fetch(self) -> list[Creator]:
        creators: list[Creator] = []
        for url in self._profile_urls():
            try:
                html = self.get(url).text
            except Exception:
                continue
            prof = parse_profile_ld(html)
            if not prof or not prof["name"]:
                continue
            extra = parse_profile_next(html)  # payload RSC : fiche complète
            links = list(prof["links"])
            for key in ("ofUrl", "mymUrl", "fanslyUrl", "instagramUrl",
                        "xUrl", "tiktokUrl", "snapchatUrl"):
                if (extra.get(key) or "").startswith("http"):
                    links.append(extra[key])
            accounts = []
            seen: set[str] = set()
            for link in links:
                hit = platform_from_url(link)
                if not hit:
                    continue
                platform, handle = hit
                if f"{platform}:{handle}" in seen:
                    continue
                seen.add(f"{platform}:{handle}")
                accounts.append(account(platform, handle, "cross_link", url=link))
            # site web personnel auto-déclaré → compte site-web (annuaire de liens)
            site = (extra.get("websiteUrl") or "").strip()
            if site.startswith("http") and not platform_from_url(site):
                domain = site.split("://", 1)[-1].split("/", 1)[0]
                domain = domain.removeprefix("www.")
                if domain and f"site-web:{domain}" not in seen:
                    seen.add(f"site-web:{domain}")
                    accounts.append(account("site-web", domain, "cross_link",
                                            url=site))
            if not accounts:
                continue  # sans lien vérifiable, pas de fiche (annuaire de liens)
            name = (extra.get("displayName") or "").strip() or prof["name"]
            bio = "\n".join(
                t.strip() for t in ((extra.get("headline") or ""),
                                    (extra.get("bio") or "")) if t.strip())
            cats = [c for c in (extra.get("categories") or [])
                    if isinstance(c, str)]
            niches = sorted({_CAT_NICHE.get(c, map_niche(c)) for c in cats})
            niches = [n for n in niches if n != "autre"] or ["autre"]
            slug = slugify(prof["name"])
            creators.append(Creator(
                source=self.source_id,
                external_id=slug,
                display_name=name,
                bio=bio,
                niches=niches,
                creator_type="influenceur",
                avatar_url=prof["image"],
                platforms=accounts,
                notes="Profil auto-déclaré sur l'annuaire OnlyQueb (créateurs "
                      "québécois sur abonnement, 18+).",
                source_ids=[f"{self.source_id}:{slug}"],
            ))
        return creators