"""从页面 HTML 中抽取服务端渲染的 `window.__INITIAL_STATE__`

搜索页与（手机版）商品详情页都会把整页数据以 JSON 形式内联到这个全局变量里，
因此不需要解析 DOM——直接把 JSON 取出来即可拿到结构化数据。

该赋值语句后面紧跟着其他脚本代码，不能按行或按分号切分，只能用增量 JSON
解码器从 `=` 之后开始解析，读到一个完整对象为止。
"""
from __future__ import annotations

import json
import re
from collections.abc import Callable
from typing import Any

from app.shared.errors import ScrapeParseError

# 页面必须包含的服务端渲染数据标记；缺失说明拿到的不是正常页面
STATE_MARKER = "window.__INITIAL_STATE__"

# 页面校验器：接收 (页面 HTML, 最终落地 URL)，返回 None 表示通过，返回字符串表示
# 失败原因（会触发抓取层换 cookie / 浏览器兜底重试）。遇到重试也无济于事的情况
# （例如落到了不支持的站点），校验器可直接抛 AppError 快速失败。
PageValidator = Callable[[str, str], str | None]

_ASSIGNMENT_RE = re.compile(r"window\.__INITIAL_STATE__\s*=\s*")
_DECODER = json.JSONDecoder()


def require_state_marker(html: str, _final_url: str) -> str | None:
    """默认页面校验：必须含服务端渲染数据"""
    if STATE_MARKER in html:
        return None
    return f"missing {STATE_MARKER} (body {len(html)} bytes)"


def extract_initial_state(html: str) -> dict[str, Any]:
    """抽取并解析 `window.__INITIAL_STATE__`

    Raises:
        ScrapeParseError: 页面中没有该变量，或其内容不是合法 JSON 对象
    """
    match = _ASSIGNMENT_RE.search(html)
    if match is None:
        raise ScrapeParseError("页面中未找到 window.__INITIAL_STATE__")

    try:
        state, _ = _DECODER.raw_decode(html, match.end())
    except ValueError as exc:
        raise ScrapeParseError(f"window.__INITIAL_STATE__ 解析失败：{exc}") from exc

    if not isinstance(state, dict):
        raise ScrapeParseError("window.__INITIAL_STATE__ 不是 JSON 对象")

    return state