ohm_streaming/app/scrapers/base.py

"""Contrats et registres des scrapers.

Architecture à 2 registres :
- sources (sites de catalogues animes/séries) : recherche, détails, épisodes, liens embed
- hébergeurs vidéo : résolution d'une URL embed → URL directe du fichier

Ajouter une source = écrire une classe qui implémente le contrat et la décorer
@register_source / @register_hoster.
"""

import logging
from abc import ABC, abstractmethod
from dataclasses import dataclass, field

logger = logging.getLogger(__name__)


class ScrapeError(Exception):
    """Échec de scraping/extraction — jamais silencieux, toujours journalisé et remonté."""


# ---------------------------------------------------------------- modèles


@dataclass
class SearchResult:
    source: str
    source_id: str  # identifiant stable chez la source (slug, id…)
    title: str
    url: str
    image_url: str | None = None
    media_type: str = "anime"  # anime | serie | film


@dataclass
class Episode:
    number: float  # 1, 2, 2.5 pour les OAV intermédiaires
    title: str | None
    url: str  # page de l'épisode chez la source
    season: int = 1
    version: str | None = None  # langue ("vf" / "vostfr") quand la source la distingue

@dataclass
class TitleDetails:
    source: str
    source_id: str
    title: str
    url: str
    synopsis: str | None = None
    image_url: str | None = None
    banner_url: str | None = None
    genres: list[str] = field(default_factory=list)
    rating: float | None = None
    year: int | None = None
    episode_count: int | None = None
    episodes: list[Episode] = field(default_factory=list)
    media_type: str = "anime"


@dataclass
class VideoLink:
    """Lien vidéo résolu (URL directe du fichier, lisible par un lecteur)."""

    url: str
    hoster: str
    quality: str | None = None
    headers: dict[str, str] = field(default_factory=dict)  # ex. Referer obligatoire
    is_hls: bool = False


# ---------------------------------------------------------------- contrats


class SourceScraper(ABC):
    """Contrat d'un site catalogue (animes, séries…)."""

    name: str  # identifiant unique, ex. "vostfree"
    label: str  # nom affiché
    base_url: str
    media_types: tuple[str, ...] = ("anime",)

    @abstractmethod
    async def search(self, query: str) -> list[SearchResult]: ...

    @abstractmethod
    async def get_details(self, source_id: str) -> TitleDetails: ...

    @abstractmethod
    async def list_episodes(self, source_id: str) -> list[Episode]: ...

    @abstractmethod
    async def extract_embed_links(self, episode_url: str) -> list[str]:
        """URLs des lecteurs embarqués trouvés sur la page d'un épisode."""
        ...

    async def latest(self) -> list[SearchResult]:
        """Ajouts récents du catalogue (découverte). Vide si la source ne le supporte pas."""
        return []


class HosterExtractor(ABC):
    """Contrat d'un hébergeur vidéo : embed URL → URL directe."""

    name: str
    domains: tuple[str, ...] = ()

    def can_handle(self, url: str) -> bool:
        return any(d in url for d in self.domains)

    @abstractmethod
    async def extract(self, embed_url: str) -> VideoLink: ...


# ---------------------------------------------------------------- registres

_source_registry: dict[str, type[SourceScraper]] = {}
_hoster_registry: list[type[HosterExtractor]] = []


def register_source(cls: type[SourceScraper]) -> type[SourceScraper]:
    if cls.name in _source_registry:
        raise ValueError(f"Source déjà enregistrée : {cls.name}")
    _source_registry[cls.name] = cls
    logger.debug("Source enregistrée : %s", cls.name)
    return cls


def register_hoster(cls: type[HosterExtractor]) -> type[HosterExtractor]:
    _hoster_registry.append(cls)
    logger.debug("Hébergeur enregistré : %s", cls.name)
    return cls


_source_instances: dict[str, SourceScraper] = {}
_hoster_instances: list[HosterExtractor] | None = None


def get_source(name: str) -> SourceScraper:
    if name not in _source_instances:
        cls = _source_registry.get(name)
        if cls is None:
            raise ScrapeError(f"Source inconnue : {name}")
        _source_instances[name] = cls()
    return _source_instances[name]


def all_sources() -> list[SourceScraper]:
    return [get_source(name) for name in _source_registry]


def resolve_hoster(url: str) -> HosterExtractor | None:
    """Trouve l'extracteur capable de traiter une URL embed (None → générique)."""
    global _hoster_instances
    if _hoster_instances is None:
        _hoster_instances = [cls() for cls in _hoster_registry]
    for extractor in _hoster_instances:
        if extractor.can_handle(url):
            return extractor
    return None


def import_all_scrapers() -> None:
    """Importe tous les modules pour déclencher les décorateurs d'enregistrement."""
    import importlib
    import pkgutil

    import app.scrapers.hosters as hosters_pkg
    import app.scrapers.sources as sources_pkg

    for pkg in (sources_pkg, hosters_pkg):
        for mod in pkgutil.iter_modules(pkg.__path__):
            importlib.import_module(f"{pkg.__name__}.{mod.name}")


# ---------------------------------------------------------------- format interne

INTERNAL_SEP = "|"


def encode_internal_url(video_url: str, page_url: str, title: str) -> str:
    """Format interne `video_url|page_url|titre` pour transporter le contexte."""
    for part in (video_url, page_url, title):
        if INTERNAL_SEP in part:
            raise ValueError(f"Caractère interdit '{INTERNAL_SEP}' dans : {part!r}")
    return INTERNAL_SEP.join([video_url, page_url, title])


def decode_internal_url(value: str) -> tuple[str, str, str]:
    parts = value.split(INTERNAL_SEP)
    if len(parts) != 3 or not parts[0]:
        raise ValueError(f"URL interne invalide : {value!r}")
    return parts[0], parts[1], parts[2]