<?php
/**
 * Snorklee — Beacon crawler IA (PHP générique, hors WordPress).
 *
 * Les crawlers IA (GPTBot, ClaudeBot…) récupèrent le HTML sans exécuter le
 * tracker w.js : ils sont invisibles côté client. Ce snippet les détecte côté
 * serveur (sur le User-Agent) et signale la visite au dashboard via un POST
 * curl fire-and-forget à timeout court — sans jamais retarder la page.
 *
 * Usage : inclure ce fichier en TOUT DÉBUT de page (avant tout output), puis :
 *
 *   require_once __DIR__ . '/php-generic.php';
 *   snorklee_crawler_beacon('example.com', 'https://snorklee.com');
 *
 *   - 1er argument  : SITE_DOMAIN, IDENTIQUE à l'attribut data-site de w.js.
 *   - 2e argument   : DASHBOARD_URL (optionnel, défaut https://snorklee.com).
 *
 * Patterns : miroir strict de ai-crawlers.json (source de vérité).
 */

if (!function_exists('snorklee_crawler_beacon')) {

    /**
     * Liste des regex (insensibles à la casse) identifiant un crawler IA.
     * Miroir strict de ai-crawlers.json (même ordre). Googlebot exclu.
     */
    function snorklee_ai_crawler_patterns()
    {
        return array(
            'GPTBot',
            'ChatGPT-User',
            'OAI-SearchBot',
            'ClaudeBot|anthropic-ai|Claude-Web|Claude-User|Claude-SearchBot',
            'PerplexityBot|Perplexity-User',
            'Google-Extended',
            'Applebot-Extended',
            'cohere-ai',
            'Bytespider',
            'CCBot',
            'FacebookBot|Meta-ExternalAgent',
            'MistralAI|Mistralbot',
            'YouBot',
            'DuckAssistBot',
            'Amazonbot',
            'PetalBot',
            'DeepSeekBot',
            'Grok(?:bot|-User)',
            'Diffbot',
        );
    }

    function snorklee_crawler_beacon($siteDomain, $dashboardUrl = 'https://snorklee.com')
    {
        // Pages GET uniquement (pas POST, pas assets).
        $method = isset($_SERVER['REQUEST_METHOD']) ? $_SERVER['REQUEST_METHOD'] : 'GET';
        if (strtoupper($method) !== 'GET') {
            return;
        }

        $ua = isset($_SERVER['HTTP_USER_AGENT']) ? $_SERVER['HTTP_USER_AGENT'] : '';
        if ($ua === '') {
            return;
        }

        $pattern = '/' . implode('|', snorklee_ai_crawler_patterns()) . '/i';
        if (!preg_match($pattern, $ua)) {
            return;
        }

        $uri = isset($_SERVER['REQUEST_URI']) ? $_SERVER['REQUEST_URI'] : '/';
        $path = parse_url($uri, PHP_URL_PATH);
        if (!is_string($path) || $path === '') {
            $path = '/';
        }

        // Exclut les assets statiques.
        if (preg_match('/\.[a-z0-9]{1,8}$/i', $path)) {
            return;
        }
        $path = substr($path, 0, 2048);

        // IP du crawler. Derrière un reverse proxy, REMOTE_ADDR est l'adresse
        // du proxy — souvent PRIVÉE. Snorklee écarte les IP privées (elles ne
        // prouvent rien) et le hit retombe en « déclaré » au lieu de
        // « vérifié ». On prend la 1re valeur de X-Forwarded-For et on refuse
        // toute adresse privée.
        $ip = '';
        $candidates = array();
        if (!empty($_SERVER['HTTP_X_FORWARDED_FOR'])) {
            $parts = explode(',', $_SERVER['HTTP_X_FORWARDED_FOR']);
            $candidates[] = trim($parts[0]);
        }
        if (!empty($_SERVER['REMOTE_ADDR'])) {
            $candidates[] = $_SERVER['REMOTE_ADDR'];
        }
        foreach ($candidates as $cand) {
            $cand = preg_replace('/^::ffff:/i', '', trim($cand));
            if ($cand === '') {
                continue;
            }
            if (preg_match('/^(10\.|127\.|169\.254\.|192\.168\.|172\.(1[6-9]|2[0-9]|3[01])\.|::1$|f[cd])/i', $cand)) {
                continue;
            }
            $ip = $cand;
            break;
        }

        $body = json_encode(array(
            's' => $siteDomain,
            'p' => $path,
            't' => 'pageview',
        ));

        $headers = array(
            'Content-Type: application/json',
            'X-Snorklee-Server: php/1',
        );
        if ($ip !== '') {
            // En-tête DÉDIÉ : X-Forwarded-For est réécrit par chaque proxy
            // traversé. Les deux sont envoyés pour rester compatible avec les
            // installations qui n'ont pas encore mis à jour ce fichier.
            $headers[] = 'X-Snorklee-Crawler-IP: ' . $ip;
            $headers[] = 'X-Forwarded-For: ' . $ip;
        }

        if (!function_exists('curl_init')) {
            return;
        }

        // Fire-and-forget : timeout court, on n'attend pas la réponse.
        $ch = curl_init(rtrim($dashboardUrl, '/') . '/api/event');
        curl_setopt_array($ch, array(
            CURLOPT_POST           => true,
            CURLOPT_POSTFIELDS     => $body,
            CURLOPT_HTTPHEADER     => $headers,
            CURLOPT_USERAGENT      => $ua, // UA ORIGINAL du crawler (analysé par le backend).
            CURLOPT_RETURNTRANSFER => true,
            CURLOPT_TIMEOUT_MS     => 300,
            CURLOPT_CONNECTTIMEOUT_MS => 200,
            CURLOPT_NOSIGNAL       => true,
        ));

        // Un échec ne doit jamais casser la page : on ignore le résultat.
        @curl_exec($ch);
        curl_close($ch);
    }
}