mod: replace legacy joomla links

cadpoint/web/legacy_links.py

@@ -0,0 +1,85 @@
+"""Утилиты для поиска и замены старых Joomla-ссылок в HTML-контенте."""
+
+from __future__ import annotations
+
+from dataclasses import dataclass
+import re
+from typing import Iterable
+
+
+@dataclass(frozen=True)
+class LegacyLinkMatch:
+    """Результат найденной старой ссылки."""
+
+    pattern_name: str
+    content_id: int
+    old_url: str
+    new_url: str
+
+
+def _compile_legacy_pattern(name: str, route_regex: str) -> tuple[str, re.Pattern[str]]:
+    """Компилирует паттерн только для внутренних ссылок CADpoint."""
+    # Важно: регулярка ловит только внутренние маршруты сайта, а не внешние
+    # URL и не ссылки на картинки/медиа.
+    pattern = re.compile(
+        rf'(?P<url>(?:^|(?<=["\'\s>]))(?:https?://(?:www\.)?cadpoint\.ru)?/?{route_regex})',
+        re.IGNORECASE,
+    )
+    return name, pattern
+
+
+LEGACY_ROUTE_PATTERNS: tuple[tuple[str, re.Pattern[str]], ...] = (
+    _compile_legacy_pattern('latest-news', r'(?:news/)?1-latest-news/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('newsflash', r'(?:news/)?3-newsflash/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('publication-hardware', r'publication/32-hardware/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('publication-interview', r'publication/39-interview/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('runet-cad', r'runet-cad/37-runet-cad/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('mcad', r'section-blog/28-mcad/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('video', r'video/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('privat-blog', r'blogs/35-privat-blog/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('cad-company-feeds', r'cad-company-feeds/40-cad-company-feeds/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('component-article', r'component/content/article/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('categoryblog', r'categoryblog/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('category-table', r'category-table/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+    _compile_legacy_pattern('aboutcadpoint', r'aboutcadpoint\.html/(?P<content_id>\d+)(?:-[^"\'<>\s]*)?(?:\.html)?'),
+)
+
+
+def build_canonical_url(content_id: int, slug: str) -> str:
+    """Строит текущий канонический URL контента."""
+    safe_slug = slug.strip().strip('/')
+    if safe_slug:
+        return f'/item/{content_id}-{safe_slug}'
+    return f'/item/{content_id}-'
+
+
+def replace_legacy_links(text: str, content_by_id: dict[int, str]) -> tuple[str, list[LegacyLinkMatch]]:
+    """Заменяет все старые Joomla-ссылки в тексте на текущий канонический URL.
+
+    Возвращает обновлённый текст и список найденных замен.
+    """
+    # По каждому шаблону делаем отдельный проход, чтобы сохранить понятную
+    # диагностику: какой именно legacy-шаблон и какой `content_id` сработал.
+    matches: list[LegacyLinkMatch] = []
+    result = text
+
+    for pattern_name, pattern in LEGACY_ROUTE_PATTERNS:
+        def _repl(match: re.Match[str]) -> str:
+            content_id = int(match.group('content_id'))
+            old_url = match.group('url')
+            slug = content_by_id.get(content_id, '')
+            new_url = build_canonical_url(content_id, slug)
+            matches.append(LegacyLinkMatch(pattern_name, content_id, old_url, new_url))
+            return new_url
+
+        result = pattern.sub(_repl, result)
+
+    return result, matches
+
+
+def iter_legacy_link_matches(text: str) -> Iterable[LegacyLinkMatch]:
+    """Находит все старые ссылки в тексте без замены."""
+    # Используем тот же механизм, что и при замене, но без сохранения текста.
+    _, matches = replace_legacy_links(text, {})
+    return matches
+