<?php

declare(strict_types=1);

namespace AilysLens\Core;

/**
 * 記録用URLパスの正規化(CMS非依存)。
 *
 * WordPress の sanitize_text_field() は仕様として %XX 列を削除するため、
 * これをパスに使うと日本語 slug のページが軒並み潰れる:
 *   /tag/%e5%9f%b4%e8%bc%aa/ → /tag//
 * 実際 2026-09 まで DavaOnline の「AIに読まれたページ」は、日本語タグが
 * すべて /tag// の1行に合流していた(2,894件)。非英語サイトでは
 * この一覧が丸ごと機能しなくなるため、パスには使ってはいけない。
 *
 * ここでは %XX を保持したまま安全化し、可能なら UTF-8 にデコードして可読にする。
 */
final class UriPath
{
    /** DBカラム(VARCHAR(2048))に合わせた上限。 */
    public const MAX_LENGTH = 2048;

    /**
     * リクエストURI(origin-form)から記録用のパスを作る。
     *
     * - クエリ文字列・フラグメントを落とす
     * - パーセントエンコードは削除しない(sanitize_text_field を使わない理由)
     * - 妥当なUTF-8になる場合はデコードして可読にする。ならない場合は生のまま残す
     * - 制御文字と山括弧を除去し、MAX_LENGTH で切る
     *
     * @param string $rawUri $_SERVER['REQUEST_URI'] 相当の文字列。
     */
    public static function normalize(string $rawUri): string
    {
        // parse_url() は "//tag/" をプロトコル相対URLと解釈してホスト扱いするため使わない。
        // REQUEST_URI は origin-form なので、? か # の手前までを取れば足りる。
        $path = substr($rawUri, 0, strcspn($rawUri, '?#'));

        if ('' === $path) {
            $path = '/';
        }

        // 見せる相手はサイト所有者なので、読める形(/tag/埴輪/)を優先する。
        // 不正なUTF-8になるならデコードせず、生のパーセントエンコードを残す。
        $decoded = rawurldecode($path);
        if (self::isValidUtf8($decoded)) {
            $path = $decoded;
        }

        // 制御文字(改行・NUL等)と山括弧を除去。出力側でもエスケープするが、
        // 保存する値自体を素性の良いものにしておく。
        $path = (string) preg_replace('/[\x00-\x1F\x7F<>]/', '', $path);

        if ('' === $path) {
            $path = '/';
        }

        return mb_substr($path, 0, self::MAX_LENGTH);
    }

    /**
     * 妥当なUTF-8か。mbstring が無い環境でも動くよう preg にフォールバックする。
     */
    private static function isValidUtf8(string $value): bool
    {
        if (function_exists('mb_check_encoding')) {
            return mb_check_encoding($value, 'UTF-8');
        }

        return 1 === preg_match('//u', $value);
    }
}