# ============================================================
#  export_from_seaweed_v1.0.py
#  Verze:  1.0
#  Datum:  2026-06-15
#  Popis:  Sestaví na disk strom dokumentů jedné úrovně studie
#          ze SeaweedFS (zdroj pravdy je Mongo VTMF.documents +
#          objekty v SeaweedFS Fileru). Pojmenování podle původních
#          Dropbox pravidel (pipeline v1.5):
#
#            <OUTPUT_ROOT>\<Type>\<Subtype>\
#               "YYYY-MM-DD Description [VTMF-xxx] [v1.0].<přípona>"
#
#          Datum/verze se vynechají, když chybí. Stahuje jen
#          deleted=False, downloaded=True, placeholder!=True,
#          se seaweed_path. Idempotentní — existující soubory
#          přeskakuje (resume), takže lze pouštět opakovaně pro
#          „aktuální verzi" čehokoli.
#
#  Konfigurace (konstanty níže): STUDY, LEVEL, OUTPUT_ROOT.
#  Pro jinou úroveň/studii stačí změnit tyto tři.
#
#  Spuštění:
#    & "...\.venv\Scripts\python.exe" "...\export_from_seaweed_v1.0.py"
# ============================================================

import re
import sys
import urllib.request
from pathlib import Path

from pymongo import MongoClient, ASCENDING

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

STUDY = "77242113UCO3001"
LEVEL = "study"                                  # study | country | site
OUTPUT_ROOT = Path(r"U:\77242113UCO3001_STUDYLEVEL")

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

OVERWRITE = False        # True = přepsat i existující soubory

BAD_CHARS_RE = re.compile(r"[<>:\"/\\|?*\x00-\x1f�]")


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


def clean(s):
    s = BAD_CHARS_RE.sub("_", str(s or ""))
    s = re.sub(r"\s+", " ", s)
    s = re.sub(r"_{2,}", "_", s)
    return s.strip(" ._")


def target_path(doc):
    """<OUTPUT_ROOT>\\<Type>\\<Subtype>\\
    'YYYY-MM-DD Description [VTMF-xxx] [v1.0].<přípona>'."""
    ext = Path(doc.get("seaweed_path", "")).suffix
    date = doc.get("date") or ""
    date_prefix = (date + " ") if date else ""
    version = f" [{doc['version']}]" if doc.get("version") else ""
    desc = clean(doc.get("desc")) or clean(doc.get("vtmf"))
    filename = f"{date_prefix}{desc} [{doc['vtmf']}]{version}{ext}"
    typ = clean(doc.get("type")) or "_"
    sub = clean(doc.get("subtype")) or "_"
    return OUTPUT_ROOT / typ / sub / filename


def main():
    coll = MongoClient(MONGO_URI, serverSelectionTimeoutMS=5000)[MONGO_DB][MONGO_COLL]
    q = {"level": LEVEL, "deleted": False, "downloaded": True,
         "placeholder": {"$ne": True}, "seaweed_path": {"$ne": None}}
    docs = list(coll.find(q).sort([("vtmf", ASCENDING), ("version", ASCENDING)]))
    log(f"[i] {LEVEL}-level dokumentů studie {STUDY}: {len(docs)}")
    log(f"[i] Cíl: {OUTPUT_ROOT}\n")

    OUTPUT_ROOT.mkdir(parents=True, exist_ok=True)
    written = skipped = failed = 0
    total_bytes = 0

    for n, doc in enumerate(docs, 1):
        dest = target_path(doc)
        if dest.exists() and not OVERWRITE:
            skipped += 1
            continue
        try:
            with urllib.request.urlopen(doc["seaweed_url"], timeout=120) as r:
                data = r.read()
            dest.parent.mkdir(parents=True, exist_ok=True)
            dest.write_bytes(data)
            written += 1
            total_bytes += len(data)
            kb = len(data) / 1024
            size = f"{kb:.0f} KB" if kb < 1024 else f"{kb / 1024:.1f} MB"
            log(f"[{n}/{len(docs)}] {dest.relative_to(OUTPUT_ROOT)}  ({size})")
        except Exception as e:
            failed += 1
            log(f"[!] {doc['_id']}: {e}")

    mb = total_bytes / 1024 / 1024
    log(f"\n[ok] Hotovo: {written} zapsáno ({mb:.1f} MB), "
        f"{skipped} přeskočeno (už existuje), {failed} chyb.")
    sys.exit(1 if failed else 0)


if __name__ == "__main__":
    main()