#!/bin/bash

# ==============================================================
# txt.sh
#
# 把 Docusaurus build 出來的 HTML，轉換成純文字檔（.txt）
#
# 運作方式：
#   1. 掃描 build 底下所有的 index.html
#   2. 排除非文章頁面：tags、archive、page（分頁）、以及網站首頁
#   3. 用 BeautifulSoup 抓出 <article> 內容，過濾掉側邊欄
#   4. 移除 Docusaurus 自己塞在 <article> 裡的介面元素
#      （麵包屑、本頁導覽、編輯此頁⋯⋯只有 /docs 會有這些）
#   5. 幫 h1~h4 標題加上裝飾符號，保留標題層級感
#   6. 用 w3m -dump 轉成純文字，正確處理中英文寬度
#   7. 輸出檔名採用文章 slug（資料夾名稱）
#
# 使用 xargs -P 平行處理，加快多篇文章的轉換速度
#
# 前置需求：python3、beautifulsoup4（pip install beautifulsoup4）、w3m
# ==============================================================

cd "$(dirname "$0")"


# 換成你自己的網頁 build 資料夾
SRC="/path/to/build"
DST="/path/to/build"
mkdir -p "$DST"

export SRC DST

process_one() {
  file="$1"
  rel="${file#$SRC/}"
  slug=$(dirname "$rel")
  out="$DST/$slug.txt"

  tmp=$(mktemp)

  # 注意：python 程式碼用單引號包住，檔名透過 sys.argv 傳進去，
  # 這樣路徑裡有引號或空白也不會出事
  python3 -c '
import sys
from bs4 import BeautifulSoup

soup = BeautifulSoup(open(sys.argv[1], encoding="utf-8"), "html.parser")
article = soup.find("article")
if not article:
    article = soup

# Docusaurus 會把這些介面元素塞在 <article> 裡面，轉成純文字後很礙眼。
# 主要是 /docs 頁面才有；不想拿掉哪一個，把該行前面加 # 註解掉即可。
NOISE = [
    "nav.theme-doc-breadcrumbs",   # 麵包屑（首頁 › 科學 › 文章名）
    ".breadcrumbs",                # 麵包屑的備用選擇器
    ".theme-doc-toc-mobile",       # 手機版的「本頁導覽」
    ".theme-doc-toc-desktop",      # 桌面版目錄（通常在 article 外，保險起見）
    ".tableOfContents",            # 目錄的備用選擇器
    ".theme-doc-version-badge",    # 版本標籤
    ".theme-doc-version-banner",   # 版本提示橫幅
    "footer.theme-doc-footer",     # 頁尾的「編輯此頁」與最後更新時間
    ".pagination-nav",             # 上一頁／下一頁
    ".theme-edit-this-page",       # 編輯此頁的備用選擇器
]

for selector in NOISE:
    for el in article.select(selector):
        el.decompose()

# 幫不同層級的標題加上裝飾，這樣轉成純文字之後還是看得出層級
for tag in article.find_all("h1"):
    tag.string = "\n═══ " + tag.get_text() + " ═══\n"
for tag in article.find_all("h2"):
    tag.string = "\n── " + tag.get_text() + " ──\n"
for tag in article.find_all("h3"):
    tag.string = "\n◆ " + tag.get_text() + "\n"
for tag in article.find_all("h4"):
    tag.string = "\n・" + tag.get_text() + "\n"

print(str(article))
' "$file" > "$tmp"

  w3m -dump -cols 80 -O UTF-8 -T text/html "$tmp" > "$out"
  rm -f "$tmp"

  echo "完成:$out"
}
export -f process_one

find "$SRC" -name "*.html" \
  | grep -vE "/tags/|/archive/|/page/" \
  | grep -v "^${SRC}/index.html$" \
  | xargs -P 23 -I {} bash -c 'process_one "$@"' _ {}

echo ""
echo "全部轉換完成!輸出在 $DST/"

python3 txt_index.py