# ============================================================
#  vtmf_pipeline_v1.6.py
#  Verze:  1.6
#  Datum:  2026-06-15
#  Popis:  Kompletní workflow V-TMF (J&J Veeva Vault) pro studii
#          77242113UCO3001 přes VŠECHNY TŘI ÚROVNĚ dokumentů
#          (STUDY / COUNTRY / SITE). Jeden běh udělá pro každý
#          report ze seznamu REPORTS:
#            1) login do Vaultu (persistentní session + ruční 2FA),
#            2) export reportu do Excelu (Data Only) do WhatToDownload/,
#            3) parse + scoped sync do MongoDB (db VTMF, kolekce
#               documents; klíč _id = "číslo|verze"),
#          a nakonec jeden průchod stažení všech dosud nestažených
#          dokumentů PŘÍMO do SeaweedFS (žádný Dropbox/disk).
#
#  ZÁSADNÍ ZMĚNY proti v1.5:
#
#  • Hierarchie dokumentů ve VTMF je STUDY -> COUNTRY -> SITE.
#    Dokument je do studií/zemí/center jen REFERENCOVANÝ (M:N) —
#    např. Master Confidentiality Agreement v nemocnici je jeden
#    dokument referencovaný do všech studií i center té nemocnice.
#    Proto: jeden dokument = jeden záznam = jeden SeaweedFS objekt;
#    příslušnost je jen metadatová pole studies[]/countries[]/sites[].
#
#  • REPORTS = seznam (level, study, country, url). Country i site
#    report filtrují jen na zemi (CZ), ne na studii -> při ukládání
#    se row bere jen pokud cílová studie je v jeho Study sloupci
#    (prakticky no-op, vše vrácené UCO3001 obsahuje).
#
#  • Zobecněný parser: study report má 15 sloupců (+ Document Date),
#    country/site mají 17 (+ Created By, Study Country, Site; bez
#    Document Date). Sloupce se hledají podle NÁZVU, datum má
#    fallback Document Date -> Approval Complete Date -> Version
#    Creation Date. Study/Study Country/Site se parsují na pole.
#
#  • Scoped sync: mazání už NEkouká na celou kolekci. Každý report
#    má scope = (level|study|country); dokument nese pole scopes[].
#    Když z reportu daného scope zmizí, scope se odebere; teprve
#    když nemá žádný scope -> deleted=True.
#
#  • Evidence reportů: kolekce report_runs (level, study, country,
#    url, exported_at, file, row_count, doc_keys).
#
#  • ÚLOŽIŠTĚ = JEN SeaweedFS, klíč číslo dokumentu + verze:
#    /vtmf-documents/<vtmf>/<verze>.<přípona>
#    Žádné ukládání dokumentů na disk/Dropbox — stahují se přes
#    dočasný soubor Playwrightu rovnou do Fileru. SHA-256 se počítá
#    a ukládá do Mongo jen jako kontrolní součet. (Aktuální verzi
#    čehokoli do Dropboxu zařídí samostatný export skript ze SeaweedFS.)
#
#  Heslo se NIKDY nedává natvrdo do skriptu — čte se z .env
#  v rootu projektu Janssen (VAULT_USER / VAULT_PASS).
#
#  Migrace stávajících study-level dat na toto schéma: migrate_to_v16.py
#  Předchůdce: vtmf_pipeline_v1.5 (v TRASH/).
# ============================================================

import hashlib
import mimetypes
import os
import re
import sys
import urllib.error
import urllib.request
from datetime import datetime
from pathlib import Path

from playwright.sync_api import sync_playwright, TimeoutError as PWTimeout
from pymongo import MongoClient, ASCENDING

# --- Konfigurace -------------------------------------------------------

LOGIN_URL = ("https://fedlogin.jnj.com/idp/eyJ2c2lkIjoiam5qX3ZlZXZhIn0/"
             "startSSO.ping?PartnerSpId=janssenetmf.veevavault.com"
             "&IdpAdapterId=CompIWALDAPEXTFORM"
             "&TargetResource=https%3A%2F%2Fvtmf.veevavault.com%2F")

# Studie, jejíž TMF stavíme (cíl ořezu country/site reportů).
TARGET_STUDY = "77242113UCO3001"

# ====================================================================
#  SEZNAM REPORTŮ KE ZPRACOVÁNÍ
#  --------------------------------------------------------------------
#  Každý řádek = jeden report. Pole:
#    enabled = True/False  -> přepni na False a report se v dalším běhu
#                             NEnačte (zůstane v seznamu jako dokumentace)
#    name    = popisek do logu (co to je za report)
#    level   = "study" | "country" | "site"  (úroveň + scope)
#    study   = kód cílové studie (scope + ořez na tuto studii)
#    country = země scope (None u study-level)
#    url     = přímý odkaz na report viewer ve Vaultu
#
#  Přidání jiné studie = prostě dopiš další 3 řádky s jejím kódem
#  a URL; běh je zpracuje vedle stávajících.
# ====================================================================
REPORTS = [
    {"enabled": True,  "name": "UCO3001 — STUDY level",
     "level": "study", "study": TARGET_STUDY, "country": None,
     "url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
            "0RP000000000182?study__v%2C%2C%2CIN=0ST000000137008"},

    {"enabled": True,  "name": "UCO3001 — COUNTRY level (Czech Republic)",
     "level": "country", "study": TARGET_STUDY, "country": "Czech Republic",
     "url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
            "0RP000000000319?study_country__v%2C%2C%2CIN=0SC00000017T056"},

    {"enabled": False,  "name": "UCO3001 — SITE level (all sites in Czech Republic)",
     "level": "site", "study": TARGET_STUDY, "country": "Czech Republic",
     "url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
            "0RP000000000762?study_country__v%2C%2C%2CEQ=0SC00000017T056"},

    {"enabled": True,  "name": "UCO3002 — STUDY level",
     "level": "study", "study": "77242113UCO3002", "country": None,
     "url": "https://vtmf.veevavault.com/ui/#reporting/viewer/"
            "0RP000000000182?study__v%2C%2C%2CIN=0ST00000016Z008"},
]

VAULT_UI_PATTERN = "**vtmf.veevavault.com/ui**"   # úspěšný vstup do Vaultu

SCRIPT_DIR = Path(__file__).resolve().parent
PROFILE_DIR = SCRIPT_DIR / "vault_profile"        # perzistentní session
ENV_FILE = SCRIPT_DIR.parent / ".env"             # root projektu Janssen
DEBUG_DIR = SCRIPT_DIR / "debug"                  # diagnostické výstupy
EXCEL_DIR = SCRIPT_DIR / "WhatToDownload"         # stažené reporty (jen Excel)
PROCESSED_DIR = EXCEL_DIR / "Zpracovano"          # archiv zpracovaných

MONGO_URI = "mongodb://192.168.1.76:27017"
MONGO_DB = "VTMF"
MONGO_COLL = "documents"
RUNS_COLL = "report_runs"

# Kolik dokumentů stáhnout v tomto běhu (None = všechny zbývající)
LIMIT = None
# Pole, jejichž změny se verzují do history[]
TRACKED_FIELDS = ("name", "status", "type", "subtype", "classification",
                  "desc", "date", "url", "studies", "countries", "sites",
                  "level")

MAX_ATTEMPTS = 2          # pokusy na jeden dokument
RETRY_PAUSE_MS = 5000     # pauza před opakováním
BETWEEN_DOCS_MS = 500     # pauza mezi dokumenty

SEAWEED_FILER = "http://192.168.1.50:8888"
SEAWEED_PREFIX = "/vtmf-documents"


class PlaceholderDocument(Exception):
    """Dokument existuje jen jako placeholder — "This placeholder has no content"."""


def log(msg):
    print(msg, flush=True)


def load_env_file(path):
    """Načte KEY=VALUE řádky z .env do os.environ.
    Už nastavené env proměnné mají přednost, .env je nepřepisuje."""
    if not path.exists():
        log(f"[!] .env nenalezen: {path}")
        return
    for line in path.read_text(encoding="utf-8").splitlines():
        line = line.strip()
        if not line or line.startswith("#") or "=" not in line:
            continue
        key, _, value = line.partition("=")
        key, value = key.strip(), value.strip().strip('"').strip("'")
        if value and key not in os.environ:
            os.environ[key] = value


ENV_SECTION_HEADER = "# --- Veeva Vault (J&J V-TMF) — VTMFDownloadFiles/download_vault ---"
ENV_KEYS = ("VAULT_USER", "VAULT_PASS")


def ensure_credentials():
    """Načte .env; pokud VAULT_USER/VAULT_PASS chybí, založí/doplní
    v .env šablonu, vyzve uživatele k doplnění a ukončí skript."""
    load_env_file(ENV_FILE)
    if all(os.environ.get(k) for k in ENV_KEYS):
        return

    existing = ENV_FILE.read_text(encoding="utf-8") if ENV_FILE.exists() else ""
    missing_lines = [f"{k}=" for k in ENV_KEYS
                     if not re.search(rf"^\s*{k}\s*=", existing, re.M)]

    if not ENV_FILE.exists():
        ENV_FILE.write_text(
            "# .env — lokální přihlašovací údaje (NEVERZOVAT, je v .gitignore)\n\n"
            + ENV_SECTION_HEADER + "\n"
            + "\n".join(missing_lines) + "\n",
            encoding="utf-8")
        log(f"[i] Založil jsem nový .env: {ENV_FILE}")
    elif missing_lines:
        with open(ENV_FILE, "a", encoding="utf-8") as f:
            f.write("\n" + ENV_SECTION_HEADER + "\n"
                    + "\n".join(missing_lines) + "\n")
        log(f"[i] Doplnil jsem chybějící řádky do .env: {ENV_FILE}")

    print("\n" + "=" * 60)
    print("  CHYBÍ PŘIHLAŠOVACÍ ÚDAJE.")
    print(f"  Doplň VAULT_USER a VAULT_PASS do souboru:")
    print(f"    {ENV_FILE}")
    print("  a spusť skript znovu.")
    print("=" * 60)
    sys.exit(1)


# --- Parsování Excelu --------------------------------------------------

HYPERLINK_RE = re.compile(r'HYPERLINK\("([^"]+)"\s*,\s*"([^"]+)"\)')
VERSION_RE = re.compile(r"\((v[^)]+)\)\s*$")
DATE_RE = re.compile(r"(\d{4}-\d{2}-\d{2})")
# nepovolené znaky názvů + řídicí znaky + unicode artefakt �
BAD_CHARS_RE = re.compile(r"[<>:\"/\\|?*\x00-\x1f�]")


def clean_text(s):
    """Očistí string na rozumný název (bez nepovolených znaků)."""
    s = BAD_CHARS_RE.sub("_", str(s))
    s = re.sub(r"\s+", " ", s)
    s = re.sub(r"_{2,}", "_", s)
    return s.strip(" ._")


def display_text(cell):
    """Zobrazený text buňky — u =HYPERLINK vzorce druhý argument."""
    raw = str(cell.value or "").strip()
    m = HYPERLINK_RE.search(raw)
    return m.group(2).strip() if m else raw


def split_multi(text):
    """Comma-separated seznam -> list (strip, bez prázdných, dedup pořadí)."""
    out, seen = [], set()
    for part in str(text or "").split(","):
        p = part.strip()
        if p and p not in seen:
            seen.add(p)
            out.append(p)
    return out


def cell_date(cell):
    """Z buňky vytáhne datum jako 'YYYY-MM-DD' (datetime i string), nebo ''."""
    v = cell.value if cell is not None else None
    if hasattr(v, "strftime"):
        return v.strftime("%Y-%m-%d")
    m = DATE_RE.search(str(v or ""))
    return m.group(1) if m else ""


def extract_doc_url(raw):
    """Z HYPERLINK hodnoty (nebo i rozbité URL) vytáhne čistou doc URL
    ve tvaru https://<host>/ui/#doc_info/<id>/<major>/<minor>."""
    m = re.search(r"(https://[^/\"]+/ui/#doc_info/\d+/\d+/\d+)", str(raw))
    if not m:
        raise ValueError(f"Nenašel jsem doc URL v: {raw!r}")
    return m.group(1)


def read_documents_from_excel(path, level):
    """Načte dokumenty z .xlsx reportu dané úrovně (study/country/site).
    Sloupce se hledají podle NÁZVU (study má 15, country/site 17).
    Document Name/Number jsou =HYPERLINK vzorce -> URL i text regexem.
    Report má rozbité deklarované rozměry -> přímá iterace řádků."""
    from openpyxl import load_workbook

    log(f"[i] Parsování reportu ({level}): {path.name}")
    wb = load_workbook(path, data_only=False)  # potřebujeme vzorce
    ws = wb[wb.sheetnames[0]]

    rows = ws.iter_rows()
    header = [c.value for c in next(rows)]
    idx = {h: i for i, h in enumerate(header) if h is not None}

    required = ("Document Number", "Document Name", "Document Status",
                "Type", "Subtype", "Description", "Study")
    missing = [c for c in required if c not in idx]
    if missing:
        raise RuntimeError(f"V reportu chybí očekávané sloupce: {missing}")

    i_num, i_name = idx["Document Number"], idx["Document Name"]
    i_status, i_type, i_sub = idx["Document Status"], idx["Type"], idx["Subtype"]
    i_desc, i_study = idx["Description"], idx["Study"]
    i_class = idx.get("Classification")
    i_proc = idx.get("Process Name")
    i_extsys = idx.get("External System Name")
    i_created = idx.get("Created By")
    i_modby = idx.get("Last Modified By")
    i_verby = idx.get("Version Created By")
    i_country = idx.get("Study Country")
    i_site = idx.get("Site")
    i_date_cols = [idx.get(c) for c in
                   ("Document Date", "Approval Complete Date", "Version Creation Date")
                   if idx.get(c) is not None]

    def g(row, i):
        return display_text(row[i]) if i is not None else ""

    docs, bad = [], []
    for row in rows:
        cell = row[i_num]
        if cell.value is None:
            continue
        raw = str(cell.value)
        m = HYPERLINK_RE.search(raw)
        if m:
            url_raw, vtmf = m.group(1), m.group(2)
        elif cell.hyperlink:
            url_raw, vtmf = cell.hyperlink.target, raw
        else:
            bad.append(raw)
            continue
        try:
            url = extract_doc_url(url_raw)
        except ValueError:
            bad.append(raw)
            continue

        name = display_text(row[i_name])
        vm = VERSION_RE.search(name)
        version = vm.group(1) if vm else "v?"

        desc = clean_text(g(row, i_desc))
        if not desc:
            desc = clean_text(VERSION_RE.sub("", name))

        date = ""
        for i_d in i_date_cols:
            date = cell_date(row[i_d])
            if date:
                break

        docs.append({
            "vtmf": vtmf.strip(),
            "version": version,
            "url": url,
            "level": level,
            "name": name,
            "status": g(row, i_status),
            "type": clean_text(g(row, i_type)),
            "subtype": clean_text(g(row, i_sub)),
            "classification": g(row, i_class),
            "desc": desc,
            "process_name": g(row, i_proc),
            "external_system_name": g(row, i_extsys),
            "created_by": g(row, i_created),
            "last_modified_by": g(row, i_modby),
            "version_created_by": g(row, i_verby),
            "date": date,
            "studies": split_multi(g(row, i_study)),
            "countries": split_multi(g(row, i_country)) if i_country is not None else [],
            "sites": split_multi(g(row, i_site)) if i_site is not None else [],
        })

    log(f"[i] Načteno {len(docs)} dokumentů"
        + (f", {len(bad)} řádků bez použitelné URL (přeskočeno)" if bad else ""))
    return docs


# --- MongoDB synchronizace ---------------------------------------------

def doc_key(vtmf, version):
    return f"{vtmf}|{version}"


def scope_key(report):
    return f"{report['level']}|{report['study']}|{report.get('country') or ''}"


def get_db():
    client = MongoClient(MONGO_URI, serverSelectionTimeoutMS=5000)
    client.admin.command("ping")
    db = client[MONGO_DB]
    coll = db[MONGO_COLL]
    coll.create_index([("vtmf", ASCENDING), ("version", ASCENDING)], unique=True)
    coll.create_index([("deleted", ASCENDING), ("downloaded", ASCENDING)])
    coll.create_index([("scopes", ASCENDING)])
    coll.create_index([("studies", ASCENDING)])
    coll.create_index([("sites", ASCENDING)])
    coll.create_index([("level", ASCENDING)])
    runs = db[RUNS_COLL]
    runs.create_index([("level", ASCENDING), ("study", ASCENDING),
                       ("country", ASCENDING), ("exported_at", ASCENDING)])
    return db, coll, runs


def sync_report_to_mongo(coll, runs, docs, report, report_file):
    """Promítne report daného scope do kolekce documents.
    - nové založí, změny polí promítne (+ history[]),
    - každému dokumentu přidá scope do scopes[] (a level do levels[]),
    - dokument, který z TOHOTO scope zmizel, ztratí tento scope;
      bez jakéhokoli scope -> deleted=True.
    Scoped mazání = sync jednoho reportu NIKDY neoznačí dokumenty
    jiného scope (study/country/site) jako smazané. Žádné souborové
    operace (úložiště je SeaweedFS)."""
    now = datetime.now()
    sk = scope_key(report)
    stats = {"new": 0, "updated": 0, "unchanged": 0,
             "resurrected": 0, "scope_removed": 0, "marked_deleted": 0}
    current_keys = set()

    for d in docs:
        key = doc_key(d["vtmf"], d["version"])
        current_keys.add(key)
        existing = coll.find_one({"_id": key})

        if existing is None:
            coll.insert_one({
                "_id": key, **d,
                "levels": [d["level"]], "scopes": [sk],
                "first_seen": now, "last_seen": now,
                "deleted": False, "downloaded": False,
                "seaweed_path": None, "history": [],
            })
            stats["new"] += 1
            continue

        changes = {}
        for fld in TRACKED_FIELDS:
            if existing.get(fld) != d.get(fld):
                changes[fld] = {"old": existing.get(fld), "new": d.get(fld)}

        update = {"$set": {**d, "last_seen": now, "deleted": False},
                  "$addToSet": {"scopes": sk, "levels": d["level"]}}
        if changes:
            update["$push"] = {"history": {"ts": now, "changes": changes}}
            stats["updated"] += 1
        else:
            stats["unchanged"] += 1
        if existing.get("deleted"):
            stats["resurrected"] += 1
        coll.update_one({"_id": key}, update)

    # dokumenty dříve v TOMTO scope, které v reportu chybí -> odebrat scope
    for rec in coll.find({"scopes": sk, "_id": {"$nin": list(current_keys)}}):
        remaining = [s for s in rec.get("scopes", []) if s != sk]
        upd = {"scopes": remaining}
        op = {"$set": upd}
        stats["scope_removed"] += 1
        if not remaining:                       # už nikde -> smazáno
            upd["deleted"] = True
            upd["deleted_at"] = now
            op["$push"] = {"history": {"ts": now,
                           "changes": {"deleted": {"old": False, "new": True}}}}
            stats["marked_deleted"] += 1
        coll.update_one({"_id": rec["_id"]}, op)

    runs.insert_one({
        "level": report["level"], "study": report["study"],
        "country": report.get("country"), "url": report["url"],
        "scope": sk, "exported_at": now,
        "file": str(report_file), "row_count": len(docs),
        "doc_keys": sorted(current_keys),
    })

    log(f"[ok] Mongo sync [{sk}]: {stats['new']} nových, {stats['updated']} změněných, "
        f"{stats['unchanged']} beze změny, {stats['resurrected']} obnovených, "
        f"{stats['scope_removed']} odebrán scope ({stats['marked_deleted']} úplně smazáno).")
    return stats


# --- Přihlášení --------------------------------------------------------

def submit_login_form(page, password_box):
    """Odešle login formulář. Zkouší postupně tlačítka Sign On / Login /
    OK / submit input; když žádné nenajde, stiskne Enter v poli hesla."""
    candidates = [
        page.get_by_role("button", name=re.compile("sign\\s*on", re.I)),
        page.get_by_role("button", name=re.compile("log\\s*in|sign\\s*in", re.I)),
        page.locator("input[type='submit']"),
        page.locator("button[type='submit']"),
        page.get_by_role("button", name=re.compile("^ok$", re.I)),
    ]
    for loc in candidates:
        try:
            if loc.count() and loc.first.is_visible():
                label = (loc.first.inner_text() or
                         loc.first.get_attribute("value") or "submit").strip()
                log(f"[i] Odesílám formulář tlačítkem '{label}'...")
                loc.first.click()
                return
        except Exception:
            continue
    log("[i] Tlačítko nenalezeno, odesílám Enterem v poli hesla...")
    password_box.press("Enter")


def login_if_needed(page):
    """Otevře login URL, vyplní jméno+heslo, detekuje 2FA a počká na
    ruční potvrzení. Pokud perzistentní session žije, login přeskočí."""
    log(f"[i] Otevírám přihlašovací URL...")
    page.goto(LOGIN_URL, wait_until="domcontentloaded")

    if "vtmf.veevavault.com/ui" in page.url:
        log("[i] Už přihlášen (perzistentní session).")
        return

    user_box = page.locator("input[type='text']").first
    try:
        user_box.wait_for(timeout=8000)
    except PWTimeout:
        if "vtmf.veevavault.com/ui" in page.url:
            log("[i] Přihlášen bez formuláře (session redirect).")
            return
        raise RuntimeError(
            f"Nenašel jsem login formulář ani Vault. Aktuální URL: {page.url}")

    username = os.environ["VAULT_USER"]
    password = os.environ["VAULT_PASS"]

    log("[i] Vyplňuji přihlašovací údaje...")
    user_box.fill(username)
    password_box = page.locator("input[type='password']").first
    password_box.fill(password)
    submit_login_form(page, password_box)

    log("[i] Odeslán login, čekám na výsledek...")
    try:
        page.wait_for_url(VAULT_UI_PATTERN, timeout=15000)
        log("[ok] Přihlášen rovnou (bez 2FA).")
        return
    except PWTimeout:
        pass  # nejsme ve Vaultu -> pravděpodobně 2FA výzva

    err = page.locator("text=/invalid|incorrect|failed/i")
    try:
        if err.count() and err.first.is_visible():
            raise RuntimeError(f"Login selhal: {err.first.inner_text().strip()}")
    except PWTimeout:
        pass

    print("\n" + "=" * 60)
    print("  VYŽADOVÁNO OVĚŘENÍ NA TELEFONU (2FA).")
    print("  Potvrď přihlášení v mobilní aplikaci.")
    print("=" * 60)
    input("  Až to potvrdíš, stiskni ENTER pro pokračování... ")

    page.wait_for_url(VAULT_UI_PATTERN, timeout=120000)
    log("[ok] Přihlášení dokončeno.")


def verify_inside(page):
    """Ověří, že jsme uvnitř Vaultu (URL na /ui)."""
    page.wait_for_url(VAULT_UI_PATTERN, timeout=30000)
    log(f"[ok] Uvnitř Vaultu: {page.url}")


def dialog_visible(page):
    """True, pokud je na stránce viditelný jQuery UI dialog."""
    try:
        dlg = page.locator(".ui-dialog")
        return bool(dlg.count() and dlg.first.is_visible())
    except Exception:
        return False


def save_page_debug(page, tag):
    """Uloží diagnostiku stránky: screenshot, HTML všech frames a výpis
    kandidátů na tlačítka. Vrátí cestu složky."""
    out = DEBUG_DIR / datetime.now().strftime(f"%Y-%m-%d_%H-%M-%S_{tag}")
    out.mkdir(parents=True, exist_ok=True)
    try:
        page.screenshot(path=str(out / "screenshot.png"), full_page=False)
    except Exception as e:
        (out / "screenshot_error.txt").write_text(str(e), encoding="utf-8")
    report = []
    for i, frame in enumerate(page.frames):
        report.append(f"=== frame[{i}] url={frame.url}")
        try:
            (out / f"frame_{i}.html").write_text(frame.content(), encoding="utf-8")
            for sel in (".ui-dialog", "a.ok.vv_button",
                        ".ui-dialog-titlebar-close",
                        "button", "input[type='button']",
                        "[title]", "[aria-label]"):
                n = frame.locator(sel).count()
                if n:
                    report.append(f"    {sel}: {n}x")
            for attr in ("title", "aria-label"):
                vals = frame.locator(f"[{attr}]").evaluate_all(
                    f"els => els.map(e => e.getAttribute('{attr}'))")
                uniq = sorted({v for v in vals if v})[:80]
                report.append(f"    {attr}: {uniq}")
        except Exception as e:
            report.append(f"    [chyba čtení framu: {e}]")
    (out / "frames_report.txt").write_text("\n".join(report), encoding="utf-8")
    log(f"[!] Diagnostika stránky uložena do: {out}")
    return out


# Viditelné OK tlačítko dialogu — je to <a>, ne <button>!
# Křížek .ui-dialog-titlebar-close je display:none → NEPOUŽÍVAT.
DIALOG_OK_SELECTOR = (".ui-dialog a.ok.vv_button, "
                      ".vv_login_msg_dialog .vv_button.ok")


def dismiss_maintenance_popup(page, timeout=8000):
    """Zavře Veeva login/maintenance dialog kliknutím na viditelné OK
    (<a class='ok vv_button'>). Dialog se objevuje SE ZPOŽDĚNÍM,
    proto se na něj krátce čeká. Bezpečné volat vždy."""
    ok = page.locator(DIALOG_OK_SELECTOR)
    try:
        ok.first.wait_for(state="visible", timeout=timeout)
    except PWTimeout:
        return False
    except Exception:
        return False

    closed = 0
    for _ in range(5):  # dialogy umí být ve frontě
        try:
            if ok.count() and ok.first.is_visible():
                ok.first.click()
                page.wait_for_timeout(300)
                closed += 1
                log("[i] Maintenance/login dialog zavřen (OK).")
                continue
        except Exception:
            pass
        break

    if not dialog_visible(page):
        return bool(closed)

    page.keyboard.press("Escape")
    page.wait_for_timeout(500)
    log("[i] Zkusil jsem dialog zavřít klávesou Escape.")

    if dialog_visible(page):
        save_page_debug(page, "dialog")
        print("\n" + "=" * 60)
        print("  DIALOG SE NEPODAŘILO ZAVŘÍT AUTOMATICKY.")
        print("  Zavři ho prosím ručně v prohlížeči.")
        print("=" * 60)
        input("  Po ručním zavření stiskni ENTER... ")
    return bool(closed)


# --- Export reportu ----------------------------------------------------

def _first_visible(page, builders):
    """Vrátí (locator, popis) prvního viditelného kandidáta. Hledá na
    hlavní stránce i ve všech frames."""
    for frame in page.frames:
        for build, desc in builders:
            try:
                loc = build(frame)
                if loc.count() and loc.first.is_visible():
                    return loc.first, desc
            except Exception:
                continue
    return None, None


def download_report(page, report):
    """Stáhne daný report (Export to Excel, Data Only) do WhatToDownload/
    pod timestampovaným názvem. Vrátí cestu k souboru.
    Při selhání uloží diagnostiku stránky do debug/ a vyhodí výjimku."""
    log(f"\n[i] === Report {report['level'].upper()} "
        f"({report.get('country') or report['study']}) ===")
    log("[i] Otevírám report...")
    page.goto(report["url"], wait_until="domcontentloaded")
    dismiss_maintenance_popup(page, timeout=4000)

    try:
        page.wait_for_selector("text=Returned", timeout=30000)
    except PWTimeout:
        try:
            page.wait_for_selector("text=Document Status:", timeout=30000)
        except PWTimeout:
            save_page_debug(page, f"report_load_{report['level']}")
            raise RuntimeError(
                "Report se nenačetl (nenašel jsem 'Returned' ani "
                "'Document Status:'). Diagnostika v debug/.")
    log("[i] Report načten, otevírám menu akcí (⋯)...")

    actions, desc = _first_visible(page, [
        (lambda f: f.locator(
            ".actionMenuContainer .dropDown.vv_dropdown_toggle "
            "button.vv-icon-button"), ".actionMenuContainer button (ověřený)"),
        (lambda f: f.locator(".actionMenuContainer button"), ".actionMenuContainer button (volnější)"),
        (lambda f: f.locator("button[title='Actions'], [aria-label='Actions']"), "title/aria-label Actions"),
    ])
    if actions is None:
        save_page_debug(page, f"report_menu_{report['level']}")
        raise RuntimeError("Nenašel jsem menu akcí (⋯) na reportu. Diagnostika v debug/.")
    log(f"[i] Menu nalezeno přes: {desc}")
    actions.click()

    item = page.locator("a.ReportAction[data-action-name='ExcelExport']")
    try:
        item.first.wait_for(state="visible", timeout=15000)
    except PWTimeout:
        item = page.get_by_text("Export to Excel", exact=True)
        try:
            item.first.wait_for(state="visible", timeout=5000)
        except PWTimeout:
            save_page_debug(page, f"report_export_item_{report['level']}")
            raise RuntimeError("Menu se otevřelo, ale položku 'Export to "
                               "Excel' jsem nenašel. Diagnostika v debug/.")
    log("[i] Klikám 'Export to Excel'...")
    item.first.click()
    log("[i] Dialog Excel Export Options...")

    radio = page.locator("input[name='requiredRadioField'][value='STANDARD']")
    try:
        radio.first.wait_for(state="visible", timeout=10000)
        if not radio.first.is_checked():
            radio.first.check()
            log("[i] Přepnuto na 'Data Only'.")
    except PWTimeout:
        log("[!] Radio 'Data Only' nenalezeno — spoléhám na default dialogu.")

    export_btn = page.get_by_role("button", name="Export", exact=True)
    try:
        export_btn.first.wait_for(state="visible", timeout=10000)
    except PWTimeout:
        save_page_debug(page, f"report_export_btn_{report['level']}")
        raise RuntimeError("Dialog exportu bez tlačítka Export. Diagnostika v debug/.")
    export_btn = export_btn.first
    with page.expect_download(timeout=120000) as dl_info:
        export_btn.click()
    download = dl_info.value

    EXCEL_DIR.mkdir(parents=True, exist_ok=True)
    ts = datetime.now().strftime("%Y-%m-%d_%H-%M-%S")
    dest = EXCEL_DIR / f"{ts} {report['level']} {download.suggested_filename}"
    download.save_as(str(dest))
    log(f"[ok] Report uložen: {dest}")
    return dest


def archive_report(path):
    """Po úspěšném zpracování přesune report do Zpracovano/."""
    PROCESSED_DIR.mkdir(parents=True, exist_ok=True)
    target = PROCESSED_DIR / path.name
    path.rename(target)
    log(f"[i] Report archivován: {target}")


# --- SeaweedFS ---------------------------------------------------------

def seaweed_path(vtmf, version, ext):
    """Cesta podle identity dokumentu: /vtmf-documents/<vtmf>/<verze><ext>."""
    ver = version or "vunknown"
    return f"{SEAWEED_PREFIX}/{vtmf}/{ver}{ext}"


def seaweed_store(vtmf, version, ext, data, mime="application/octet-stream"):
    """Upload do SeaweedFS Filer pod cestou <vtmf>/<verze><ext>.
    Vrací (path, url)."""
    path = seaweed_path(vtmf, version, ext)
    url = SEAWEED_FILER + path
    req = urllib.request.Request(url, data=data, method="PUT",
                                 headers={"Content-Type": mime})
    urllib.request.urlopen(req, timeout=120)
    return path, url


# --- Stažení dokumentů -------------------------------------------------

def find_source_file_button(page):
    """Najde ikonu Source File (list papíru se šipkou dolů, vpravo nahoře)."""
    for sel in ("[title='Source File']", "[aria-label='Source File']"):
        loc = page.locator(sel)
        if loc.count():
            return loc.first
    loc = page.get_by_role("button", name=re.compile("Source File", re.I))
    if loc.count():
        return loc.first
    return None


def download_source_bytes(page, doc):
    """Otevře dokument, stáhne Source File do dočasného souboru Playwrightu
    a vrátí (data: bytes, ext: str). Žádné trvalé uložení na disk.
    PlaceholderDocument když dokument nemá obsah."""
    vtmf = doc["vtmf"]
    log(f"[i] Otevírám dokument {vtmf} ({doc.get('version', '')}) ...")
    page.goto(doc["url"], wait_until="domcontentloaded")
    try:
        page.wait_for_load_state("networkidle", timeout=30000)
    except PWTimeout:
        log("[!] networkidle nenastal do 30 s, zkouším pokračovat...")
    dismiss_maintenance_popup(page, timeout=2000)

    ph = page.locator("div.vv_placeholder_text")
    if ph.count() and ph.first.is_visible():
        log(f"[i] {vtmf}: placeholder bez obsahu — přeskakuji.")
        raise PlaceholderDocument(vtmf)

    target = find_source_file_button(page)
    if target is None:
        raise RuntimeError(
            f"Nenašel jsem ikonu 'Source File' na stránce dokumentu {vtmf}.")

    log("[i] Klikám na Source File a čekám na download...")
    with page.expect_download(timeout=60000) as dl_info:
        target.click()
        try:
            item = page.get_by_role("menuitem", name=re.compile("Source File", re.I))
            if item.count() and item.first.is_visible():
                log("[i] Otevřel se dropdown, vybírám 'Source File'...")
                item.first.click()
        except Exception:
            pass
    download = dl_info.value

    ext = Path(download.suggested_filename).suffix
    tmp = download.path()           # dočasný soubor Playwrightu
    data = Path(tmp).read_bytes()
    return data, ext


def download_missing(page, coll):
    """Stáhne všechny nesmazané dokumenty bez downloaded=True PŘÍMO do
    SeaweedFS (žádný disk). Výsledek každého se ihned zapíše do Mongo."""
    todo = list(coll.find({"deleted": False, "downloaded": {"$ne": True}})
                .sort([("level", ASCENDING), ("vtmf", ASCENDING),
                       ("version", ASCENDING)]))
    if LIMIT:
        todo = todo[:LIMIT]
    log(f"\n[i] Ke stažení: {len(todo)} dokumentů"
        + (f" (LIMIT={LIMIT})" if LIMIT else ""))

    ok_count = fail_count = placeholder_count = 0
    for n, doc in enumerate(todo, 1):
        key = doc["_id"]
        log(f"\n--- [{n}/{len(todo)}] {key} | {doc.get('level', '?')} | {doc['desc'][:60]}")
        last_err = None
        for attempt in range(1, MAX_ATTEMPTS + 1):
            try:
                data, ext = download_source_bytes(page, doc)
                size_kb = len(data) / 1024
                size_str = f"{size_kb:.0f} KB" if size_kb < 1024 else f"{size_kb / 1024:.1f} MB"
                sha256_hex = hashlib.sha256(data).hexdigest()
                mime = mimetypes.guess_type("f" + ext)[0] or "application/octet-stream"
                sw_path, sw_url = seaweed_store(doc["vtmf"], doc["version"], ext, data, mime)
                log(f"[ok] {size_str} -> SeaweedFS {sw_path}")
                coll.update_one({"_id": key}, {"$set": {
                    "downloaded": True,
                    "downloaded_at": datetime.now(),
                    "sha256": sha256_hex,
                    "seaweed_path": sw_path, "seaweed_url": sw_url,
                    "seaweed_synced_at": datetime.now(),
                    "last_error": None}})
                ok_count += 1
                last_err = None
                break
            except PlaceholderDocument:
                coll.update_one({"_id": key}, {"$set": {
                    "downloaded": True, "placeholder": True,
                    "downloaded_at": datetime.now(), "last_error": None}})
                placeholder_count += 1
                last_err = None
                break
            except Exception as e:
                last_err = e
                log(f"[!] Pokus {attempt}/{MAX_ATTEMPTS} selhal: {e}")
                if attempt < MAX_ATTEMPTS:
                    page.wait_for_timeout(RETRY_PAUSE_MS)
        if last_err is not None:
            coll.update_one({"_id": key}, {"$set": {
                "last_error": str(last_err), "error_at": datetime.now()}})
            fail_count += 1
        page.wait_for_timeout(BETWEEN_DOCS_MS)
    return ok_count, fail_count, placeholder_count


# --- Main --------------------------------------------------------------

def main():
    ensure_credentials()
    db, coll, runs = get_db()
    log(f"[ok] Mongo připojeno: {MONGO_URI} / {MONGO_DB}.{MONGO_COLL}")

    with sync_playwright() as p:
        ctx = p.chromium.launch_persistent_context(
            user_data_dir=str(PROFILE_DIR),
            headless=False,
            accept_downloads=True,
            no_viewport=True,
            args=["--start-maximized"],
        )
        page = ctx.pages[0] if ctx.pages else ctx.new_page()
        ok_count = fail_count = placeholder_count = 0
        pipeline_error = None
        try:
            # 1) login
            login_if_needed(page)
            verify_inside(page)
            dismiss_maintenance_popup(page)

            # 2+3) pro každý ZAPNUTÝ report: export -> parse -> scoped sync
            log("\n[i] Plán reportů:")
            for r in REPORTS:
                flag = "ZAP" if r.get("enabled", True) else "VYP"
                log(f"    [{flag}] {r.get('name', r['level'])}")
            for report in REPORTS:
                if not report.get("enabled", True):
                    log(f"\n[i] Přeskakuji (enabled=False): {report.get('name', report['level'])}")
                    continue
                report_path = download_report(page, report)
                docs = read_documents_from_excel(report_path, report["level"])
                before = len(docs)
                docs = [d for d in docs if report["study"] in d["studies"]]
                if before != len(docs):
                    log(f"[i] Ořez na {report['study']}: {len(docs)}/{before} řádků.")
                if not docs:
                    log(f"[!] Report {report['level']} prázdný (po ořezu) — "
                        f"sync přeskočen, nic se nemaže.")
                    archive_report(report_path)
                    continue
                sync_report_to_mongo(coll, runs, docs, report, report_path)
                archive_report(report_path)

            # 4) jeden průchod stažení všeho nestaženého do SeaweedFS
            ok_count, fail_count, placeholder_count = download_missing(page, coll)
        except KeyboardInterrupt:
            log("\n[!] Přerušeno uživatelem — stav je v Mongo, příští běh naváže.")
        except Exception as e:
            pipeline_error = e
            print("\n" + "=" * 60)
            print("  PIPELINE SELHALA!")
            print(f"  {type(e).__name__}: {e}")
            print("=" * 60)
        finally:
            total = coll.count_documents({})
            active = coll.count_documents({"deleted": False})
            have = coll.count_documents({"deleted": False, "downloaded": True})
            log(f"\n[i] Výsledek běhu: {ok_count} staženo, "
                f"{placeholder_count} placeholderů, {fail_count} chyb"
                + (f", PIPELINE SELHALA ({pipeline_error})" if pipeline_error else "."))
            log(f"[i] Mongo: {total} záznamů celkem, {active} aktivních, "
                f"z toho v SeaweedFS {have} ({active - have} zbývá).")
            log("[i] Zavírám prohlížeč.")
            ctx.close()
    sys.exit(2 if pipeline_error else (1 if fail_count else 0))


if __name__ == "__main__":
    main()