#!/usr/bin/env bash
# Holt drei Beispielfotos als Vorlage fuer 'detector karte' und 'detector test'.
#
# Sie liegen nicht im Repo, und zwar nicht aus Platzgruenden: Fotos von
# Wikimedia Commons stehen unter eigenen Lizenzen (meist CC BY-SA) und
# verlangen Namensnennung. Ein Bild ohne seine Herkunft ins Repo zu legen
# waere genau der Fehler, den die Lizenz verhindern soll — deshalb kommen sie
# samt Urheber und Lizenz hierher, nachvollziehbar in HERKUNFT.txt.
#
#   bash scripts/fetch_testdata.sh
#
# ⚠️ Wikimedia drosselt hart (HTTP 429). Deshalb die Pause zwischen den
# Abrufen; wer sie herausnimmt, steht fuer Minuten in der Strafbank.
set -euo pipefail

DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")/.." && pwd)/testdata"
API="https://de.wikipedia.org/w/api.php"
ABSTAND=2

mkdir -p "$DIR"

# Artikelname → Dateiname. Die Arten sind so gewaehlt, dass der Detektor sie
# sicher findet: gross im Bild, freigestellt, typische Haltung.
ARTEN="Amsel:amsel Kohlmeise:kohlmeise Rotkehlchen:rotkehlchen"

: > "$DIR/HERKUNFT.txt"
cat >> "$DIR/HERKUNFT.txt" <<'KOPF'
Beispielfotos fuer Vogelalbum, geholt mit scripts/fetch_testdata.sh.

Diese Dateien gehoeren NICHT zum AGPL-lizenzierten Teil des Projekts. Jedes
Bild behaelt die Lizenz, unter der es bei Wikimedia Commons steht. Wer eines
davon weitergibt, nennt Urheber und Lizenz mit.

KOPF

for eintrag in $ARTEN; do
  artikel="${eintrag%%:*}"
  name="${eintrag##*:}"
  ziel="$DIR/$name.jpg"

  if [[ -s "$ziel" ]]; then
    echo "vorhanden: $name.jpg"
    continue
  fi

  echo "lade: $name.jpg ($artikel)"

  # Erst das Lead-Bild des Artikels ermitteln, dann dessen Metadaten holen.
  # Beides in einem Aufruf — pageimages gibt den Dateinamen, imageinfo die
  # Lizenz und den Urheber.
  antwort=$(curl -sS --get "$API" \
    --data-urlencode "action=query" \
    --data-urlencode "format=json" \
    --data-urlencode "formatversion=2" \
    --data-urlencode "prop=pageimages" \
    --data-urlencode "piprop=thumbnail|name" \
    --data-urlencode "pithumbsize=1200" \
    --data-urlencode "titles=$artikel" \
    -H "User-Agent: vogelalbum/1.0 (https://vogelalbum.gaertner.onl)")

  # Zwei Zeilen: Bildadresse und Dateiname.
  #
  # 🔑 Den Dateinamen NICHT aus der Adresse schneiden. Dort steht er
  # prozentkodiert ("Robin_%28950...%29.jpg"), und die API weist einen
  # Seitentitel mit "%28" als ungueltig ab — beim Rotkehlchen genau so
  # passiert, waehrend Amsel und Kohlmeise mangels Sonderzeichen
  # funktionierten. Das Feld "pageimage" liefert ihn unkodiert.
  gelesen=$(printf '%s' "$antwort" | python3 -c '
import json, sys
d = json.load(sys.stdin)
seiten = d.get("query", {}).get("pages", [])
s = seiten[0] if seiten else {}
print(s.get("thumbnail", {}).get("source", ""))
print(s.get("pageimage", ""))
')
  url=$(printf '%s' "$gelesen" | sed -n 1p)
  datei=$(printf '%s' "$gelesen" | sed -n 2p)

  if [[ -z "$url" || -z "$datei" ]]; then
    echo "  FEHLER: kein Bild zu '$artikel' gefunden — uebersprungen" >&2
    continue
  fi
  curl -sSL --fail -o "$ziel" "$url" \
    -H "User-Agent: vogelalbum/1.0 (https://vogelalbum.gaertner.onl)"

  sleep "$ABSTAND"

  meta=$(curl -sS --get "$API" \
    --data-urlencode "action=query" \
    --data-urlencode "format=json" \
    --data-urlencode "formatversion=2" \
    --data-urlencode "prop=imageinfo" \
    --data-urlencode "iiprop=extmetadata|url" \
    --data-urlencode "titles=Datei:$datei" \
    -H "User-Agent: vogelalbum/1.0 (https://vogelalbum.gaertner.onl)")

  printf '%s' "$meta" | python3 -c '
import json, re, sys
name = sys.argv[1]
d = json.load(sys.stdin)
seiten = d.get("query", {}).get("pages", [])
info = (seiten[0].get("imageinfo") or [{}])[0] if seiten else {}
m = info.get("extmetadata", {})

def feld(schluessel):
    wert = m.get(schluessel, {}).get("value", "")
    wert = re.sub(r"<[^>]+>", " ", wert)
    wert = re.sub(r"\s+", " ", wert).strip()   # HTML aus der Angabe nehmen
    return wert or "unbekannt"

urheber = feld("Artist")
lizenz = feld("LicenseShortName")
print(name + ".jpg")
print("  Urheber:   " + urheber)
print("  Lizenz:    " + lizenz)
print("  Quelle:    " + str(info.get("descriptionurl", "unbekannt")))
print()
if "unbekannt" in (urheber, lizenz):
    # Namensnennung ist Lizenzbedingung. Ein stilles "unbekannt" waere der
    # Fehler, den diese Datei verhindern soll.
    sys.stderr.write("  WARNUNG: Urheber oder Lizenz fuer " + name
                     + " nicht ermittelt — bitte von Hand nachtragen\\n")
    sys.exit(3)
' "$name" >> "$DIR/HERKUNFT.txt"

  sleep "$ABSTAND"
done

echo
echo "Beispielfotos liegen in $DIR"
echo "Urheber und Lizenz: $DIR/HERKUNFT.txt"