#!/usr/bin/env python3
"""Playwright 正文抽取入口（薄壳，逻辑在 _media_screenshot.reader）。

与 screenshot.py / record.py 同住一个 scripts/ 目录，因为三者共用
`_media_screenshot/` 里的浏览器启动、等待、设备模拟与 cookie 处理。
对外它是独立的 skill：`skills/web-read/skill.json` 指到这里。
"""
from __future__ import annotations

import argparse
import os
import sys
from pathlib import Path

sys.path.insert(0, str(Path(__file__).resolve().parent))
from _media_screenshot import cli_args  # noqa: E402
from _media_screenshot.reader import do_read  # noqa: E402
from _media_screenshot.urlguard import assert_public_url  # noqa: E402

DEFAULT_MAX_CHARS = 20000


def main() -> None:
    ap = argparse.ArgumentParser(
        description="通过 Playwright 打开网页并抽取正文文本（Markdown / 纯文本 / JSON）。"
    )
    ap.add_argument("-u", "--url", required=True, help="待读取的页面 URL（http/https）")
    ap.add_argument(
        "--selector",
        help="只抽取该 CSS 选择器内的内容；不给则自动识别正文容器",
    )
    ap.add_argument(
        "--format", choices=["markdown", "text", "json"], default="markdown",
        help="输出格式：markdown（默认，保留标题/列表/代码块）| text（纯文本）| json（结构化块）",
    )
    ap.add_argument(
        "--max-chars", type=int, default=DEFAULT_MAX_CHARS,
        help=f"stdout 字符上限，按块截断（默认 {DEFAULT_MAX_CHARS}，0 = 不限）",
    )
    ap.add_argument(
        "--include-links", action="store_true",
        help="正文里的链接保留为 [文字](URL)（默认只留文字）",
    )
    ap.add_argument(
        "--include-images", action="store_true",
        help="保留图片为 ![alt](src)（默认丢弃）",
    )
    ap.add_argument(
        "-o", "--output",
        help="把**完整**正文（不截断）另存到该文件；stdout 仍受 --max-chars 限制",
    )
    ap.add_argument(
        "--settle-ms", type=int,
        help="抽取前额外静置毫秒数（给动画/懒加载留时间）",
    )
    ap.add_argument(
        "--quiet", action="store_true",
        help="只打印正文，不打印 stderr 上的抽取诊断",
    )
    cli_args.add_common_args(ap)

    args = ap.parse_args()

    # 内网地址守卫（见 urlguard.py：web_read 会把正文交给模型）。
    assert_public_url(args.url)

    storage_path, is_temp = cli_args.build_storage(args)

    cfg: dict = {
        "url": args.url,
        "browser": args.browser or "chromium",
        "format": args.format,
        "maxChars": args.max_chars,
        "includeLinks": bool(args.include_links),
        "includeImages": bool(args.include_images),
    }
    cli_args.common_args_to_cfg(args, cfg)
    if storage_path:
        cfg["storageState"] = storage_path
    if args.selector:
        cfg["selector"] = args.selector
    if args.output:
        cfg["output"] = args.output
    if args.settle_ms is not None:
        cfg["settleMs"] = args.settle_ms

    try:
        result = do_read(cfg)
    finally:
        if is_temp and storage_path:
            try:
                os.unlink(storage_path)
            except OSError:
                pass

    # 只在「基本没抽到东西」时报警。一篇文章页的整页文本本来就是正文的好几倍
    # （导航、推荐、页脚），拿这个比例当告警条件会让警告天天响、从而没人再看。
    chars = result["charCount"]
    body_chars = result["bodyCharCount"]
    status = result.get("status")
    # A targeted read of a counter/button can legitimately be one character.
    # Empty scopes still deserve a warning; HTTP warnings remain independent.
    unexpectedly_short = chars < 100 and (not args.selector or chars == 0)
    if isinstance(status, int) and status >= 400:
        # 错误页也有正文（"404 Not Found"），照读不误——但不说一声的话，调用方
        # 会把一张错误页当成文章内容去写脚本。
        print(
            f"⚠️  服务器返回 HTTP {status}，下面读到的很可能是错误页而不是目标内容。",
            file=sys.stderr,
        )
    if unexpectedly_short and body_chars >= 2000:
        print(
            f"⚠️  整页有 {body_chars} 字符，却只抽到 {chars} 字符"
            f"（容器 {result.get('container')}）——正文容器多半没认对。"
            "可用 --selector <正文容器> 指定，或 --format json 看抽到了哪些块。",
            file=sys.stderr,
        )
    elif unexpectedly_short:
        print(
            f"⚠️  这个页面几乎没有文本（整页 {body_chars} 字符，HTTP {result.get('status')}）。"
            "多半是登录墙、反爬拦截，或正文由 JS 延迟渲染还没出来。"
            "可尝试：--wait-for-selector <正文选择器> / --settle-ms 3000 / --cookies <登录态>。",
            file=sys.stderr,
        )
    elif not args.quiet:
        print(
            f"[web_read] {result['blockCount']} blocks · {result['charCount']} chars · "
            f"container={result.get('container')} ({result.get('containerReason')})",
            file=sys.stderr,
        )

    if result["outputPath"]:
        print(f"[web_read] 全文已写入 {result['outputPath']}", file=sys.stderr)

    print(result["text"])


if __name__ == "__main__":
    main()