"""
Extrage lecțiile FĂRĂ video (text/quiz) — pe care extract_audio.py le sare,
pentru că el caută doar un MP4.

API-ul de lecție întoarce conținutul în câmpul `html`, împreună cu tot
CSS-ul paginii systeme.io. Curățăm style/script, apoi tagurile, și scriem
text în același loc cu transcrierile, ca să intre în același flux de
sumarizare.
"""

import argparse
import html as html_mod
import logging
import os
import re
import sys
from pathlib import Path

import requests
from dotenv import load_dotenv

from download import BASE, get_course_id, get_lecture_video_url, get_menu, login, slugify
from extract_audio import CORE_MODULES

logging.basicConfig(level=logging.INFO, format="%(asctime)s [%(levelname)s] %(message)s")
log = logging.getLogger(__name__)


def lecture_text(session: requests.Session, lecture_id: int) -> str:
    raw = session.get(f"{BASE}/api/membership/lecture/{lecture_id}").json().get("html") or ""
    raw = re.sub(r"(?is)<(style|script)\b.*?</\1>", " ", raw)
    text = html_mod.unescape(re.sub(r"<[^>]+>", "\n", raw))
    lines = [ln.strip() for ln in text.split("\n") if ln.strip()]
    return "\n".join(lines)


def main():
    p = argparse.ArgumentParser(description="Extrage lecțiile text din cursul ATM")
    p.add_argument("--out", default="transcripts")
    p.add_argument("--only", default=None, help="Un singur modul (ocolește CORE_MODULES)")
    args = p.parse_args()

    load_dotenv()
    email, password = os.getenv("ATM_EMAIL", ""), os.getenv("ATM_PASSWORD", "")
    if not email or not password:
        log.error("Setează ATM_EMAIL și ATM_PASSWORD în .env")
        sys.exit(1)

    session = requests.Session()
    session.headers.update({"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)"})
    login(session, email, password)
    modules = get_menu(session, get_course_id(session))

    done = skipped = 0
    for mod_idx, mod in enumerate(modules, 1):
        if args.only:
            if mod["name"] != args.only:
                continue
        elif mod["name"] not in CORE_MODULES:
            continue

        for lec_idx, lec in enumerate(mod["lectures"], 1):
            try:
                if get_lecture_video_url(session, lec["id"]):
                    continue  # are video -> îl ia extract_audio.py
            except requests.exceptions.HTTPError as e:
                if e.response is not None and e.response.status_code == 403:
                    continue  # fără acces
                raise

            dest = Path(args.out) / f"{mod_idx:02d}_{slugify(mod['name'])}" / f"{lec_idx:02d}_{slugify(lec['name'])}.txt"
            if dest.exists() and dest.stat().st_size > 200:
                log.info(f"  Există deja: {dest.name}")
                skipped += 1
                continue

            text = lecture_text(session, lec["id"])
            if len(text) < 200:
                log.info(f"  Prea puțin text, probabil quiz gol: {lec['name']}")
                continue

            dest.parent.mkdir(parents=True, exist_ok=True)
            dest.write_text(text, encoding="utf-8")
            log.info(f"  Extras ({len(text)} caractere): {dest}")
            done += 1

    log.info("=" * 60)
    log.info(f"Lecții text extrase: {done}, sărite: {skipped}.")


if __name__ == "__main__":
    main()