"""collect 단계 - HTML / siteLinks 에서 tracking pixels / SNS links / additional domains 추출.
모두 정규식·도메인 매칭 기반 deterministic 추출 (LLM 미경유)."""
import re
from urllib.parse import urlparse


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

# 픽셀별 시그니처: 이름 → 정규식 리스트. installed 판정은 OR (하나라도 매치되면 설치된 것).
# ID 캡처는 모든 패턴 시도 후 첫 non-empty 그룹 사용 (signature-only 패턴과 ID-capture 패턴 혼재 OK).
_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. 환각 0 — 정규식 매치만 신뢰.
    모든 패턴 시도 → 하나라도 매치되면 installed. ID 는 캡처된 첫 non-empty 그룹 사용."""
    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|진료|Book\s*Now|Consult|Reservation|Contact|Apply)",
    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()


def extract_main_cta(html: str) -> str:
    """HTML 에서 primary CTA 텍스트 추출. 우선순위: <button> 첫 매치 → <a> 첫 매치.
    CTA 키워드 매칭 + 길이 1~20자 (버튼 라벨 추정)."""
    if not html:
        return ""
    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):
                return text
    return ""


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

# SNS 도메인 → 표준 platform 이름. siteLinks 필터링 + DOM 위치 판정에 공유.
_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)


def _platform_for(url: str) -> str | None:
    try:
        host = urlparse(url).netloc.lower().lstrip("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 HTML 의 <header>/<footer> 안에 들어있는지로 위치 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_sns_links(site_links: list[str], html: str = "") -> list[dict]:
    """siteLinks 에서 SNS 도메인 매칭. location 은 HTML 의 footer/header tag 블록으로 판정.
    중복 platform 은 첫 URL 만 유지."""
    seen: dict[str, dict] = {}
    for url in site_links or []:
        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 ───────────────────────────────────────────────────────

def extract_additional_domains(site_links: list[str], primary_host: str) -> list[dict]:
    """siteLinks 의 host 중 primary 도메인이 아닌 외부 도메인 모으기. SNS·맵 등 utility 도메인 제외.
    purpose 분류는 LLM 필요 — 여기선 빈 문자열."""
    skip_domains = set(_SNS_DOMAINS) | {
        "map.kakao.com", "map.naver.com", "maps.google.com", "goo.gl",
    }
    primary = (primary_host or "").lower().lstrip("www.")
    seen: dict[str, dict] = {}
    for url in site_links or []:
        if not url or not url.startswith("http"):
            continue
        try:
            host = urlparse(url).netloc.lower().lstrip("www.")
        except Exception:
            continue
        if not host or host == primary or host in seen:
            continue
        if any(host == d or host.endswith("." + d) for d in skip_domains):
            continue
        seen[host] = {"domain": host, "purpose": ""}
    return list(seen.values())