#!/usr/bin/env php
<?php
// Compila o índice de país por endereço, para a analítica de visitas.
//
//   php bin/geo-build-index.php
//
// O bloqueio por país (functions_geo.php) só precisa das listas dos países
// permitidos, que são pequenas e ficam versionadas. Isto é outra coisa: para
// dizer DE ONDE veio uma visita é preciso o mundo inteiro -- 240 países e
// ~263 mil ranges. Em texto são 4,7 MB e a compilar dá ~2,6 MB.
//
// Por isso o índice NÃO vai para o repositório: um binário desse tamanho
// refrescado todos os meses inchava o histórico sem nada em troca. Gera-se aqui
// e, se faltar, a analítica regista o país como desconhecido -- que é um
// degradar aceitável, ao contrário do bloqueio, onde dados em falta seriam uma
// decisão de segurança.
//
// Formato, escolhido para se poder pesquisar sem carregar nada para memória:
// registos de largura fixa, ordenados, e busca binária por fseek(). São
// centenas de milhares de ranges — lê-los todos a cada visita custaria mais do
// que a própria página.
//
//   .v4  → 10 bytes: início(4, big-endian) + fim(4) + código do país(2)
//   .v6  → 34 bytes: início(16)            + fim(16) + código do país(2)
//
// Os bytes vêm de inet_pton(), por isso a ordem lexicográfica é a ordem
// numérica e o strcmp() serve de comparador nas duas famílias.

const V4_URL = 'https://www.ipdeny.com/ipblocks/data/countries/all-zones.tar.gz';
const V6_URL = 'https://www.ipdeny.com/ipv6/ipaddresses/blocks/ipv6-all-zones.tar.gz';

$dataDir = dirname(__DIR__) . '/data/geo';
@mkdir($dataDir, 0775, true);

require_once dirname(__DIR__) . '/functions_geo.php';   // geo_cidr_to_range()

$tmp = sys_get_temp_dir() . '/geo-index-' . getmypid();
@mkdir($tmp, 0700, true);
register_shutdown_function(static function () use ($tmp) {
    foreach (glob($tmp . '/*') ?: [] as $f) { @unlink($f); }
    @rmdir($tmp);
});

$status = 0;

foreach ([['v4', V4_URL, 4], ['v6', V6_URL, 16]] as [$fam, $url, $addrLen]) {
    fwrite(STDERR, "$fam: a descarregar...\n");

    $tar = "$tmp/$fam.tar.gz";
    if (!download($url, $tar)) {
        fwrite(STDERR, "  falhou o download -- o índice anterior mantém-se\n");
        $status = 1;
        continue;
    }

    $work = "$tmp/$fam";
    @mkdir($work, 0700, true);
    exec('tar xzf ' . escapeshellarg($tar) . ' -C ' . escapeshellarg($work) . ' 2>&1', $out, $code);
    if ($code !== 0) {
        fwrite(STDERR, "  o arquivo não abriu -- ignorado\n");
        $status = 1;
        continue;
    }

    // Nem toda a zona do ipdeny é um país. O zz.zone é um apanha-tudo de blocos
    // /8 inteiros (1.0.0.0/8, 8.0.0.0/8…) que se sobrepõem aos países reais, e
    // o eu.zone é um agregado continental. Deixá-los entrar fazia o 8.8.8.8 sair
    // como "ZZ" em vez de US, porque a busca binária cai no range que apanhar --
    // e com sobreposições não há garantia nenhuma de ser o mais específico.
    // Fora estes dois, sobram 2 sobreposições em 262 mil.
    $notCountries = ['ZZ', 'EU', 'AP'];

    $ranges = [];
    foreach (glob("$work/*.zone") ?: [] as $file) {
        // ipdeny nomeia cada ficheiro pelo código ISO: pt.zone, br.zone…
        $cc = strtoupper(basename($file, '.zone'));
        if (!preg_match('/^[A-Z]{2}$/', $cc) || in_array($cc, $notCountries, true)) {
            continue;
        }
        foreach (file($file, FILE_IGNORE_NEW_LINES | FILE_SKIP_EMPTY_LINES) ?: [] as $line) {
            $line = trim($line);
            if ($line === '' || $line[0] === '#') {
                continue;
            }
            $r = geo_cidr_to_range($line);
            // Um ficheiro v4 não pode contaminar o índice v6 nem o contrário:
            // os registos são de largura fixa e um intruso desalinhava tudo a
            // partir dali, o que a busca binária não tem como detectar.
            if ($r === null || strlen($r[0]) !== $addrLen) {
                continue;
            }
            $ranges[] = [$r[0], $r[1], $cc];
        }
    }

    if (count($ranges) < 1000) {
        fwrite(STDERR, '  só ' . count($ranges) . " ranges — recusado, fica o índice anterior\n");
        $status = 1;
        continue;
    }

    usort($ranges, static fn($a, $b) => strcmp($a[0], $b[0]));

    // As poucas sobreposições que restam são descartadas, ficando a primeira.
    // A busca binária pressupõe ranges disjuntos: com sobreposições devolveria
    // um resultado que depende de onde a bissecção calhou aterrar, o que é pior
    // do que não responder -- daria países diferentes para o mesmo endereço
    // consoante o tamanho do índice.
    $clean   = [];
    $lastEnd = null;
    $dropped = 0;
    foreach ($ranges as $r) {
        if ($lastEnd !== null && strcmp($r[0], $lastEnd) <= 0) {
            $dropped++;
            continue;
        }
        $clean[] = $r;
        $lastEnd = $r[1];
    }
    $ranges = $clean;
    if ($dropped > 0) {
        fwrite(STDERR, "  $dropped ranges sobrepostos descartados\n");
    }

    // Escrita para ficheiro temporário e rename: o rename é atómico, por isso
    // um processo a ler nunca apanha o índice a meio de ser escrito.
    $outFile = "$dataDir/country-index.$fam";
    $tmpOut  = $outFile . '.tmp';
    $fh = fopen($tmpOut, 'wb');
    if ($fh === false) {
        fwrite(STDERR, "  não consegui escrever em $tmpOut\n");
        $status = 1;
        continue;
    }
    foreach ($ranges as [$start, $end, $cc]) {
        fwrite($fh, $start . $end . $cc);
    }
    fclose($fh);
    @chmod($tmpOut, 0664);
    rename($tmpOut, $outFile);

    printf(
        "  %s: %d ranges, %.1f MB\n",
        $fam,
        count($ranges),
        filesize($outFile) / 1048576
    );
}

exit($status);

function download(string $url, string $dest): bool
{
    $fh = fopen($dest, 'wb');
    if ($fh === false) {
        return false;
    }
    $ch = curl_init($url);
    curl_setopt_array($ch, [
        CURLOPT_FILE           => $fh,
        CURLOPT_FOLLOWLOCATION => true,
        CURLOPT_TIMEOUT        => 180,
        CURLOPT_FAILONERROR    => true,
    ]);
    $ok = curl_exec($ch) !== false;
    curl_close($ch);
    fclose($fh);
    return $ok && filesize($dest) > 1024;
}