import re
from bs4 import BeautifulSoup
from markdownify import MarkdownConverter as _MarkdownConverter

class MarkdownConverter:
    """HTML 转 Markdown 转换器，保留完整格式

    处理知乎等平台的图片懒加载机制：
    - 知乎图片的 src 属性可能是 SVG 占位符 (data:image/svg+xml;...)
    - 真实图片 URL 存储在 data-actualsrc 或 data-original 属性中
    """

    def __init__(self):
        self.converter = _MarkdownConverter(
            heading_style="ATX",
            bullets="*,-",
            code_blocks=True,
            tables=True,
            strip=["script", "style", "nav", "footer", "aside"]
        )

    def convert(self, html: str) -> str:
        """转换 HTML 为 Markdown

        Args:
            html: 输入的 HTML 字符串

        Returns:
            转换后的 Markdown 字符串
        """
        # 预处理：处理懒加载图片
        html = self._fix_lazy_load_images(html)
        return self.converter.convert(html)

    def _fix_lazy_load_images(self, html: str) -> str:
        """修复懒加载图片的 src 属性

        将 data-actualsrc 或 data-original 属性的值替换到 src 属性中，
        以便 markdownify 能够正确提取真实图片 URL。

        同时移除 <noscript> 标签，因为知乎等平台在 noscript 中包含备用图片，
        会导致修复后图片重复出现。

        Args:
            html: 输入的 HTML 字符串

        Returns:
            处理后的 HTML 字符串
        """
        soup = BeautifulSoup(html, 'html.parser')

        # 先移除 noscript 标签，避免图片重复
        for noscript in soup.find_all('noscript'):
            noscript.decompose()

        for img in soup.find_all('img'):
            src = img.get('src', '')

            # 如果 src 不是占位符，保持原样
            if not src or not src.startswith('data:'):
                continue

            # 尝试获取真实图片 URL
            # 优先 data-actualsrc，其次 data-original
            real_src = img.get('data-actualsrc') or img.get('data-original')

            if real_src:
                img['src'] = real_src

        return str(soup)