"""MC2: Webseiten lokal lesen — Anbieter für Hermes' Werkzeug web_extract (Box-Wart, 09/2026).

Warum: Die Box hat als Web-Anbieter nur DuckDuckGo (ddgs). Der kann suchen, aber keine Seiten lesen.
Hermes bot web_extract trotzdem an (die Prüfung fragt nur „gibt es irgendeinen Web-Anbieter?“), jeder
Aufruf scheiterte mit „ddgs is a search-only backend“, und der Nachrichten-Job warf deshalb jeden Morgen
einen Werkzeugfehler. Dieser Anbieter liest Seiten selbst: httpx lädt, trafilatura zieht den Haupttext
heraus — dasselbe wie MC2s MCP-Werkzeug fetch_url. Kein fremder Dienst, kein Schlüssel, die Box bleibt lokal.

Hermes-Quellcode bleibt unberührt: das hier ist ein Plugin über die offizielle Anbieter-Schnittstelle.
Einbau (deploy.sh kopiert den Ordner nach ~/.hermes/plugins/, der Rest einmalig):
    hermes plugins enable mc2-web-lesen
    hermes config set web.extract_backend mc2-lesen
    systemctl --user restart hermes-gateway
Rückweg: web.extract_backend wieder auf ddgs setzen und `hermes plugins disable mc2-web-lesen`.
"""

from __future__ import annotations

import re
from typing import Any

import httpx
from agent.web_search_provider import WebSearchProvider

KOPFZEILEN = {
    "User-Agent": ("Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) "
                   "Chrome/120.0.0.0 Safari/537.36"),
    "Accept-Language": "de,en;q=0.8",
}
ZEITLIMIT_S = 20
MAX_ZEICHEN = 3_000_000       # rohes HTML; Hermes kürzt das Ergebnis danach selbst (web.extract_char_limit)


def _fehler(url: str, grund: str) -> dict:
    return {"url": url, "title": "", "content": "", "error": grund}


def _titel(html: str) -> str:
    m = re.search(r"<title[^>]*>(.*?)</title>", html, re.IGNORECASE | re.DOTALL)
    return re.sub(r"\s+", " ", m.group(1)).strip()[:200] if m else ""


def haupttext(html: str) -> str:
    """Haupttext einer Seite: trafilatura, sonst grob ohne Skripte, Stile und Tags."""
    try:
        import trafilatura
        text = trafilatura.extract(html, include_comments=False, include_tables=True, no_fallback=False) or ""
    except Exception:   # trafilatura fehlt oder stolpert über die Seite → grober Rückfall
        text = ""
    if not text:
        ohne = re.sub(r"<(script|style|noscript)[^>]*>.*?</\1>", " ", html, flags=re.IGNORECASE | re.DOTALL)
        text = re.sub(r"\s+", " ", re.sub(r"<[^>]+>", " ", ohne)).strip()
    return text


async def lies(client: httpx.AsyncClient, url: str) -> dict:
    try:
        antwort = await client.get(url)
        antwort.raise_for_status()
    except httpx.TimeoutException:
        return _fehler(url, f"Zeitüberschreitung nach {ZEITLIMIT_S} s")
    except httpx.HTTPStatusError as e:
        return _fehler(url, f"HTTP {e.response.status_code}")
    except httpx.HTTPError as e:
        return _fehler(url, f"Seite nicht erreichbar: {e}")
    art = antwort.headers.get("content-type", "").lower()
    if art and not any(t in art for t in ("html", "xml", "text/")):
        return _fehler(url, f"Kein Text-Inhalt ({art.split(';')[0]}), lokal nicht lesbar")
    html = antwort.text[:MAX_ZEICHEN]
    text = haupttext(html)
    if not text:
        return _fehler(url, "Kein Text auf der Seite gefunden")
    return {"url": url, "title": _titel(html), "content": text, "raw_content": text,
            "metadata": {"quelle": "mc2-lesen", "endadresse": str(antwort.url)}}


class LokalLesen(WebSearchProvider):
    """Nur Lesen (extract), keine Suche — die Suche bleibt bei ddgs (web.search_backend)."""

    @property
    def name(self) -> str:
        return "mc2-lesen"

    @property
    def display_name(self) -> str:
        return "MC2 · Seiten lokal lesen"

    def is_available(self) -> bool:
        return True

    def supports_search(self) -> bool:
        return False

    def supports_extract(self) -> bool:
        return True

    async def extract(self, urls: list[str], **kwargs: Any) -> list[dict]:
        async with httpx.AsyncClient(headers=KOPFZEILEN, timeout=ZEITLIMIT_S, follow_redirects=True) as client:
            return [await lies(client, u) for u in urls]


def register(ctx) -> None:
    ctx.register_web_search_provider(LokalLesen())