goon/app/connectors/direct_scrapers/hentaimama.py

"""hentaimama.io — browse scraper. Dodany 2026-08-04. Pierwsze źródło wertykału hentai.

**Ten wertykał rządzi się inaczej niż reszta i to jest celowe.** Dla hentai NIE ISTNIEJE
kanon: TPDB i StashDB nie mają animacji ani postaci rysowanych, więc każda scena stąd
jest technicznie orphanem i to jest POPRAWNE, nie błędne. Kryterium „fabryka orphanów",
którym oceniamy tuby z żywymi aktorami, tutaj po prostu nie ma zastosowania — nie ma też
obsady, więc żadnej bramki na performera. Miarą jakości jest komplet seria + numer
odcinka + gatunki, a docelowo dedup MIĘDZY stronami hentai (re-hostują się nawzajem).

Jednostka treści to ODCINEK (`/episodes/<seria>-episode-N/`), nie seria. Każdy jest
samodzielną pozycją z własnym plakatem i playbackiem, więc mapuje się na scenę tak samo
jak w wertykale JAV — bez zmian w schemacie.

Motyw jest z rodziny Dooplay, ale `DooplayConnector` się NIE nadaje: nie ma tu
`data-fl-source` ani `data-post`, na których stoi tamten parser. Player idzie przez
`POST /wp-admin/admin-ajax.php` i jest za Cloudflare — obsługuje to extractor
`hentaimama`, patrz jego docstring.

Pułapka: `/genre/` w całym HTML to 118 linków (chmura w sidebarze, ten sam wzorzec co
przy sexu i yourdailypornmovies). Gatunki bierzemy WYŁĄCZNIE z `<div class="sgeneros">`,
co daje realne 9 pozycji na odcinek zamiast 118 śmieci.

Strona nie podaje długości odcinka.
"""
from __future__ import annotations

import html as html_mod
import logging
import re
from datetime import datetime

from app.connectors.base import RawPlaybackSource, RawScene, RawTag
from app.connectors.direct_scrapers._browse_base import BaseBrowseScraper
from app.normalize.text import slugify

log = logging.getLogger(__name__)

_BASE = "https://hentaimama.io"

_EPISODE_HREF_RE = re.compile(r'href="(https://hentaimama\.io/episodes/[^"]+)"')
# Sam listing `/episodes/` i jego paginacja też pasują do wzorca wyżej — bez tego
# filtra wchodziły jako „odcinek" o tytule „Recent Episodes".
# `/episodes/feed/` (RSS) tez wpada w href-regex i konczyl jako pusty detail z None.
_NOT_EPISODE_RE = re.compile(r"/episodes/(?:page/\d+/|feed/)?$")
# `og:title` zamiast <h1>: na stronie są trzy <h1>, dwa to logo serwisu, a trzeci bywa
# nagłówkiem sekcji. og:title daje czysty „Shoujo Ramune Episode 7".
_OG_TITLE_RE = re.compile(r"property=['\"]og:title['\"][^>]*content=['\"]([^'\"]{3,150})")
# Gatunki TYLKO stąd — patrz pułapka w docstringu.
_GENRES_BLOCK_RE = re.compile(r'<div class="sgeneros">(.*?)</div>', re.DOTALL)
_ANCHOR_TEXT_RE = re.compile(r">\s*([^<]{2,40}?)\s*</a>")
_DATE_RE = re.compile(r'<span class="date">\s*([A-Z][a-z]{2}\.?\s+\d{1,2},\s+\d{4})')
_SERIES_RE = re.compile(r'href="https://hentaimama\.io/tvshows/([a-z0-9-]+)/"')
# Uwaga: atrybuty bywają w innej kolejności niż `<meta property=... content=...>`,
# a wartość ma na końcu \r — stąd luźny wzorzec i strip() przy użyciu.
_OG_IMAGE_RE = re.compile(r"property=['\"]og:image['\"][^>]*content=['\"]([^'\"]+)")


def _parse_date(value: str | None):
    if not value:
        return None
    for fmt in ("%b. %d, %Y", "%b %d, %Y"):
        try:
            return datetime.strptime(value.strip(), fmt).date()
        except ValueError:
            continue
    return None


class HentaiMamaScraper(BaseBrowseScraper):
    sitetag = "hentaimama"

    def _listing_url(self, page: int) -> str:
        return f"{_BASE}/episodes/" if page <= 1 else f"{_BASE}/episodes/page/{page}/"

    def _extract_scene_urls(self, listing_html: str) -> list[str]:
        return [
            u
            for u in dict.fromkeys(_EPISODE_HREF_RE.findall(listing_html))
            if not _NOT_EPISODE_RE.search(u)
        ]

    def _parse_detail(self, scene_url: str, detail_html: str) -> RawScene | None:
        tm = _OG_TITLE_RE.search(detail_html)
        title = html_mod.unescape(tm.group(1)).strip() if tm else ""
        if not title or title.lower() == "hentaimama":
            return None

        tags: list[RawTag] = []
        seen: set[str] = set()
        gb = _GENRES_BLOCK_RE.search(detail_html)
        if gb:
            for name in _ANCHOR_TEXT_RE.findall(gb.group(1)):
                name = html_mod.unescape(name).strip()
                slug = slugify(name)
                if slug and slug not in seen:
                    seen.add(slug)
                    tags.append(
                        RawTag(external_id=f"{self.sitetag}:tag:{slug}", name=name, slug=slug)
                    )
        # Seria jako tag — pozwala grupować odcinki bez zmian w schemacie.
        sm = _SERIES_RE.search(detail_html)
        if sm and sm.group(1) not in seen:
            series = sm.group(1).replace("-", " ").title()
            tags.append(
                RawTag(
                    external_id=f"{self.sitetag}:series:{sm.group(1)}",
                    name=series,
                    slug=slugify(series),
                )
            )

        dm = _DATE_RE.search(detail_html)
        om = _OG_IMAGE_RE.search(detail_html)
        slug = scene_url.rstrip("/").rsplit("/", 1)[-1]

        return RawScene(
            external_id=f"{self.sitetag}:{slug}",
            title=title,
            release_date=_parse_date(dm.group(1) if dm else None),
            url=scene_url,
            tags=tags,
            playback_sources=[
                RawPlaybackSource(
                    origin=f"tube:{self.sitetag}",
                    page_url=scene_url,
                    thumbnail_url=om.group(1).strip() if om else None,
                )
            ],
        )