"""HTML 정규식 기반 deterministic 추출 — tracking pixels / SNS / additional domains / main CTA."""
import re
from urllib.parse import urlparse


# ── tracking pixels ──────────────────────────────────────────────────────────

# 픽셀별 시그니처: 하나라도 매치되면 installed, ID 는 첫 non-empty 그룹.
_TRACKING_PIXEL_PATTERNS: dict[str, list[re.Pattern]] = {
    "Google Analytics": [
        re.compile(r"googletagmanager\.com/gtag/js\?id=(G-[A-Z0-9]+)", re.IGNORECASE),
        re.compile(r"google-analytics\.com/analytics\.js", re.IGNORECASE),
        re.compile(r"\bgtag\(\s*['\"]config['\"]\s*,\s*['\"](G-[A-Z0-9]+|UA-\d+-\d+)['\"]", re.IGNORECASE),
        re.compile(r"\b(UA-\d+-\d+)\b"),
    ],
    "Google Tag Manager": [
        re.compile(r"googletagmanager\.com/gtm\.js\?id=(GTM-[A-Z0-9]+)", re.IGNORECASE),
        re.compile(r"\b(GTM-[A-Z0-9]+)\b"),
    ],
    "Facebook Pixel": [
        re.compile(r"connect\.facebook\.net/[^/]+/fbevents\.js", re.IGNORECASE),
        re.compile(r"fbq\(\s*['\"]init['\"]\s*,\s*['\"](\d{10,20})['\"]", re.IGNORECASE),
        re.compile(r"facebook\.com/tr/?\?id=(\d{10,20})", re.IGNORECASE),  # noscript image pixel fallback
        re.compile(r"_fbq\.push\(\s*\[\s*['\"]init['\"]\s*,\s*['\"](\d{10,20})['\"]", re.IGNORECASE),  # legacy
    ],
    "Naver Analytics": [
        re.compile(r"wcs\.naver\.net/wcslog\.js", re.IGNORECASE),
        re.compile(r"\bwcs_add\b", re.IGNORECASE),
        re.compile(r"\bwcs\.inflow\(", re.IGNORECASE),
        re.compile(r"wcs_add\s*\[\s*['\"]wa['\"]\s*\]\s*=\s*['\"]([a-zA-Z0-9_]+)['\"]", re.IGNORECASE),  # wa ID
    ],
    "Kakao Pixel": [
        re.compile(r"t1\.daumcdn\.net/kas/static/kp\.js", re.IGNORECASE),
        re.compile(r"kakaoPixel\s*\(\s*['\"]?(\d+)['\"]?", re.IGNORECASE),
    ],
}


def extract_tracking_pixels(html: str) -> list[dict]:
    """HTML 에서 트래킹 픽셀 설치 여부 + ID 추출."""
    if not html:
        return []
    pixels: list[dict] = []
    for name, patterns in _TRACKING_PIXEL_PATTERNS.items():
        any_match = False
        captured_id: str | None = None
        for pat in patterns:
            m = pat.search(html)
            if not m:
                continue
            any_match = True
            if m.groups() and m.group(1) and not captured_id:
                captured_id = m.group(1)
        if any_match:
            pixels.append({
                "name":      name,
                "installed": True,
                "details":   captured_id,
            })
    return pixels


# ── main CTA ─────────────────────────────────────────────────────────────────

_CTA_KEYWORDS = re.compile(
    r"(상담|예약|문의|신청|등록|Book\s*Now|Consult|Reservation|Contact|Apply)",
    re.IGNORECASE,
)
# CTA 카테고리 우선순위 (전화>카톡>예약). 매치 없으면 결과에 포함 X.
_CTA_CATEGORIES: list[tuple[str, re.Pattern]] = [
    ("전화 상담",     re.compile(r"전화|\bCall\b|\bPhone\b", re.IGNORECASE)),
    ("카카오톡 상담", re.compile(r"카(카오)?톡|Kakao", re.IGNORECASE)),
    ("온라인 예약",   re.compile(r"예약|Reserv|Book", re.IGNORECASE)),
]
_BUTTON_TAG = re.compile(r"<button\b[^>]*>(.*?)</button>", re.IGNORECASE | re.DOTALL)
_ANCHOR_TAG = re.compile(r"<a\b[^>]*>(.*?)</a>", re.IGNORECASE | re.DOTALL)


def _clean_text(inner: str) -> str:
    text = re.sub(r"<[^>]+>", "", inner)
    return re.sub(r"\s+", " ", text).strip()


_MAIN_CTA_LIMIT = 3


def _classify_cta(text: str) -> str | None:
    """CTA 텍스트 → 카테고리 (전화/카톡/예약). 매치 없으면 None."""
    for label, pat in _CTA_CATEGORIES:
        if pat.search(text):
            return label
    return None


def extract_main_cta(html: str) -> str:
    """<button>·<a> 라벨을 카테고리로 분류 후 우선순위 순서로 최대 _MAIN_CTA_LIMIT 개 join."""
    if not html:
        return ""
    found: set[str] = set()
    for pat in (_BUTTON_TAG, _ANCHOR_TAG):
        for m in pat.finditer(html):
            text = _clean_text(m.group(1))
            if text and 1 <= len(text) <= 20 and _CTA_KEYWORDS.search(text):
                cat = _classify_cta(text)
                if cat:
                    found.add(cat)
    ordered_labels = [label for label, _ in _CTA_CATEGORIES]
    result = [label for label in ordered_labels if label in found]
    return " + ".join(result[:_MAIN_CTA_LIMIT])


# ── SNS links ────────────────────────────────────────────────────────────────

# SNS 도메인 → 표준 platform 이름.
_SNS_DOMAINS: dict[str, str] = {
    "facebook.com":   "Facebook",
    "instagram.com":  "Instagram",
    "youtube.com":    "YouTube",
    "youtu.be":       "YouTube",
    "tiktok.com":     "TikTok",
    "pf.kakao.com":   "KakaoTalk",
    "open.kakao.com": "KakaoTalk",
    "blog.naver.com": "Naver Blog",
    "cafe.naver.com": "Naver Cafe",
    "x.com":          "X",
    "twitter.com":    "X",
}

_FOOTER_BLOCK = re.compile(r"<footer\b[^>]*>(.*?)</footer>", re.IGNORECASE | re.DOTALL)
_HEADER_BLOCK = re.compile(r"<header\b[^>]*>(.*?)</header>", re.IGNORECASE | re.DOTALL)
# <a> 태그 안의 href 만 매치 — <link>/<script> 등 리소스 호출 제외 (CDN 노이즈 차단).
_ANCHOR_HREF_PATTERN = re.compile(
    r"""<a\b[^>]*\bhref\s*=\s*['"](https?://[^'"\s]+)['"]""",
    re.IGNORECASE,
)


def _platform_for(url: str) -> str | None:
    try:
        host = urlparse(url).netloc.lower().removeprefix("www.")
    except Exception:
        return None
    for domain, name in _SNS_DOMAINS.items():
        if host == domain or host.endswith("." + domain):
            return name
    return None


def _location_for(url: str, html: str) -> str:
    """url 이 <header>/<footer> 블록 안에 있는지 판정 — 둘 다 아니면 'body'."""
    if not html:
        return ""
    needle = re.escape(url)
    footer = _FOOTER_BLOCK.search(html)
    if footer and re.search(needle, footer.group(1)):
        return "footer"
    header = _HEADER_BLOCK.search(html)
    if header and re.search(needle, header.group(1)):
        return "header"
    return "body"


def _extract_anchor_hrefs(html: str) -> list[str]:
    """<a href="http..."> 만 추출 — 순서 보존, 중복 제거."""
    if not html:
        return []
    seen: dict[str, None] = {}
    for url in _ANCHOR_HREF_PATTERN.findall(html):
        if url not in seen:
            seen[url] = None
    return list(seen.keys())


def extract_sns_links(html: str) -> list[dict]:
    """anchor href 에서 SNS 도메인 매칭. 중복 platform 은 첫 URL 만 유지."""
    seen: dict[str, dict] = {}
    for url in _extract_anchor_hrefs(html):
        platform = _platform_for(url)
        if not platform or platform in seen:
            continue
        seen[platform] = {
            "platform": platform,
            "url":      url,
            "location": _location_for(url, html),
        }
    return list(seen.values())


# ── additional domains (글로벌/다국어 사이트만) ─────────────────────────────────

# 언어 코드 → 한국어 라벨.
_LANG_LABEL: dict[str, str] = {
    "en": "영어", "eng": "영어",
    "zh": "중국어", "cn": "중국어", "chn": "중국어",
    "ja": "일본어", "jp": "일본어",
    "ko": "한국어", "kor": "한국어", "kr": "한국어",
    "vi": "베트남어", "vn": "베트남어",
    "th": "태국어", "thai": "태국어",
    "ru": "러시아어",
    "es": "스페인어",
    "mn": "몽골어",
    "ar": "아랍어", "arab": "아랍어",
    "id": "인도네시아어",
    "de": "독일어",
    "fr": "프랑스어",
    "pt": "포르투갈어",
}

_LANG_LI_PATTERN = re.compile(
    r'<li\b[^>]*\bdata-lang\s*=\s*[\'"]([^\'"]+)[\'"][^>]*>(.*?)</li>',
    re.IGNORECASE | re.DOTALL,
)


def extract_additional_domains(html: str, primary_host: str) -> list[dict]:
    """글로벌/다국어 사이트 anchor 수집 — data-lang 마커 + URL 서브도메인 prefix 로 식별."""
    if not html:
        return []
    primary = (primary_host or "").lower().removeprefix("www.")
    seen: dict[str, dict] = {}

    def add(host: str, lang_kr: str):
        host = host.lower().removeprefix("www.")
        if not host or host == primary or host in seen:
            return
        seen[host] = {"domain": host, "purpose": lang_kr}

    # 1) <li data-lang="xx"> 안의 anchor
    for m in _LANG_LI_PATTERN.finditer(html):
        lang_kr = _LANG_LABEL.get(m.group(1).lower())
        if not lang_kr:
            continue
        a_m = re.search(r'<a[^>]*href\s*=\s*[\'"](https?://[^\'"\s]+)[\'"]', m.group(2), re.IGNORECASE)
        if a_m:
            add(urlparse(a_m.group(1)).netloc, lang_kr)

    # 2) URL 서브도메인 prefix 가 언어 코드
    for url in _extract_anchor_hrefs(html):
        host = urlparse(url).netloc.lower().removeprefix("www.")
        parts = host.split(".")
        if len(parts) >= 3:
            lang_kr = _LANG_LABEL.get(parts[0])
            if lang_kr:
                add(host, lang_kr)

    return list(seen.values())