#!/usr/bin/env python3
"""censar.py — CENSO de una máquina: qué corre, qué sirve, qué datos tiene. Sin IA, sin adivinar.

⚠ «Sólo lee» hay que decirlo con cuidado: NO ESCRIBE nada, pero las sondas de RED dejan huella. Ver
`sondear_dominio` — censar gioser contra sí mismo hizo que su propio fail2ban lo baneara.

Primer paso de la mudanza (SDD 29). Produce un inventario TOML que un humano revisa y que las etapas
siguientes consumen. NO toca nada: todo lo que hace son lecturas.

── LA REGLA QUE LO ORDENA TODO ─────────────────────────────────────────────────────────────────
Cruzar SIEMPRE lo DECLARADO contra lo VIVO, y reportar las tres clases por separado:

    vivo            declarado Y corriendo        ⇒ candidato a mudarse
    declarado-muerto  declarado y sin proceso    ⇒ candidato a morir
    no-declarado    corriendo y sin declaración  ⇒ EL TRABAJO REAL: nadie sabe cómo levantarlo

No es teoría. Medido sobre gioser (2026-09-11):
  · `rc-status` decía `stopped` de caddy, gitea, sshd, cronie y act-runner, y los CINCO estaban
    vivos colgando de PID 1. Un censo que lea sólo el init habría producido un plan que no arranca.
  · De los 19 dominios del Caddyfile, 8 no tenían DNS, 2 daban 502 y 3 ya vivían en OTRA máquina.
    Sólo 6 eran reales. Un censo que lea sólo la config habría mudado 13 fósiles.
  · Y el propio caddy de la caja NUEVA murió en un reinicio sin que nadie lo notara, porque estaba
    arrancado a mano y no declarado. Esa es la clase `no-declarado`, y es la que duele.

── POR QUÉ CADA SONDA ──────────────────────────────────────────────────────────────────────────
`ppid==1` es la verdad de qué corre, no el init. Los sockets en LISTEN dicen qué SIRVE. El DNS y un
GET dicen si alguien lo usa. `du` dice qué pesa. Nada de esto necesita juicio: son hechos, y el
juicio (qué se muda, qué muere) lo pone el usuario en la etapa siguiente, sobre este fichero.

Uso:
    scripts/mudanza/censar.py --host root@1.2.3.4 [--key ~/.ssh/id] [--out censo.toml]
    scripts/mudanza/censar.py --local                       # censa esta máquina

La superficie va en inglés (CLAUDE.md regla 4); los mensajes, en castellano.
"""
import argparse, json, os, re, shlex, subprocess, sys, time

# ── ejecución de sondas ─────────────────────────────────────────────────────────────────────────

class Objetivo:
    """Una máquina a censar. `run` devuelve (salida, ok) y NUNCA levanta: una sonda que falla es un
    dato («esa máquina no tiene ss»), no un motivo para abortar el censo entero."""

    def __init__(self, host=None, key=None, timeout=25):
        self.host, self.key, self.timeout = host, key, timeout

    def run(self, cmd):
        if self.host:
            base = ["ssh", "-o", "StrictHostKeyChecking=accept-new",
                    "-o", f"ConnectTimeout={self.timeout}", "-o", "BatchMode=yes"]
            if self.key:
                base += ["-i", os.path.expanduser(self.key)]
            argv = base + [self.host, cmd]
        else:
            argv = ["sh", "-c", cmd]
        try:
            p = subprocess.run(argv, capture_output=True, text=True, timeout=self.timeout * 4)
            return p.stdout.strip(), p.returncode == 0
        except Exception as e:
            return f"(sonda falló: {e})", False


# ── sondas ──────────────────────────────────────────────────────────────────────────────────────

def identidad(t):
    """Quién es esta máquina. El hostname MIENTE (gioser dice `momento`): la IP es el discriminador."""
    out, _ = t.run("hostname; ip -4 addr show scope global 2>/dev/null | grep -o 'inet [0-9.]*' | "
                   "cut -d' ' -f2 | head -3; uname -r; cat /proc/1/comm")
    ls = [l for l in out.splitlines() if l.strip()]
    return {
        "hostname": ls[0] if ls else "?",
        "ips": [l for l in ls[1:-2]] if len(ls) > 3 else [],
        "kernel": ls[-2] if len(ls) >= 2 else "?",
        "pid1": ls[-1] if ls else "?",
    }


def procesos_vivos(t):
    """Lo que REALMENTE corre, colgado de PID 1. La verdad, no la declaración."""
    out, _ = t.run("ps -eo pid,ppid,comm 2>/dev/null | awk '$2==1 && $1!=1 {print $1\" \"$3}'")
    vivos = {}
    for l in out.splitlines():
        parts = l.split()
        if len(parts) == 2 and parts[0].isdigit():
            vivos.setdefault(parts[1], []).append(int(parts[0]))
    # los kernel threads no son servicios
    return {k: v for k, v in vivos.items() if not k.startswith(("kworker", "kthread", "ksoftirq",
                                                                "migration", "rcu_", "irq/", "idle_"))}


def puertos(t):
    """Qué SIRVE esta máquina, y quién. Un servicio sin puerto no se muda igual que uno con puerto."""
    out, ok = t.run("ss -lntpH 2>/dev/null || netstat -lntp 2>/dev/null | tail -n +3")
    res = []
    for l in out.splitlines():
        m = re.search(r'(\S+):(\d+)\s', l)
        proc = re.search(r'\("([^"]+)"|/(\S+)\s*$', l)
        if m:
            res.append({"addr": m.group(1), "port": int(m.group(2)),
                        "proc": (proc.group(1) or proc.group(2)) if proc else "?"})
    # dedup por (puerto, proc)
    vistos, uniq = set(), []
    for r in sorted(res, key=lambda x: x["port"]):
        k = (r["port"], r["proc"])
        if k not in vistos:
            vistos.add(k); uniq.append(r)
    return uniq


def declarados(t):
    """Lo que el init DICE que hay. Se compara contra lo vivo — no se cree."""
    fuentes = {}
    # `rc-status -a` lista TODO lo disponible en el sistema, no lo que esta máquina usa: en gioser
    # daba 100 «declarado-muerto» que no significan nada. `rc-update show` da lo ENCENDIDO por
    # runlevel, que es lo que de verdad se declara.
    out, ok = t.run("rc-update show 2>/dev/null | awk '{print $1}' | grep -E '^[a-z]'")
    if ok and out:
        fuentes["openrc"] = out.split()
    out, ok = t.run("systemctl list-units --type=service --no-legend --no-pager 2>/dev/null | awk '{print $1}'")
    if ok and out:
        fuentes["systemd"] = [s.replace(".service", "") for s in out.split()]
    out, ok = t.run("ls /etc/arje/cards.d/ 2>/dev/null")
    if ok and out:
        fuentes["arje-cards"] = [s.replace(".json", "") for s in out.split()]
    out, ok = t.run("python3 -c \"import json;print(' '.join(n['label'] for n in "
                    "json.load(open('/ente/seed.card.json'))['genesis']))\" 2>/dev/null")
    if ok and out:
        fuentes["arje-seed"] = out.split()
    out, ok = t.run("ls /etc/service /run/runit/service 2>/dev/null")
    if ok and out:
        fuentes["runit"] = out.split()
    return fuentes


def dominios(t):
    """Los dominios que la máquina DICE servir, contrastados con DNS y con un GET real.

    Las tres respuestas posibles importan y son distintas: sin DNS (nadie lo resuelve), con DNS pero
    5xx (backend caído), y con DNS y 200 (vivo). Y hay una cuarta que sólo se ve mirando a DÓNDE
    resuelve: un dominio que responde 200 desde OTRA IP ya está mudado, y su bloque de config acá
    es un fósil."""
    confs = ["/etc/caddy/Caddyfile", "/etc/nginx/nginx.conf", "/etc/nginx/sites-enabled/*",
             "/etc/apache2/sites-enabled/*", "/etc/httpd/conf.d/*"]
    out, _ = t.run("cat " + " ".join(confs) + " 2>/dev/null")
    nombres = set()
    for l in out.splitlines():
        s = l.strip()
        if s.startswith("#"):
            continue
        # caddy: «a.com, b.com {» · nginx/apache: «server_name a.com b.com;» / «ServerName a.com»
        if s.endswith("{") and not s.startswith(("@", "}")):
            cand = s[:-1]
        elif s.lower().startswith(("server_name", "servername", "serveralias")):
            cand = s.split(None, 1)[1].rstrip(";") if len(s.split(None, 1)) > 1 else ""
        else:
            continue
        for d in re.split(r'[,\s]+', cand):
            d = d.strip().rstrip(";")
            if re.fullmatch(r'[a-z0-9]([a-z0-9-]*[a-z0-9])?(\.[a-z0-9-]+)+', d, re.I):
                nombres.add(d.lower())
    return sorted(nombres)


def sondear_dominio(d, ips_maquina):
    """DNS + HTTP desde donde corre el censo. Determinista, sin juicio.

    ⚠⚠ **NO se hace contra la máquina que uno está censando desde ella misma.** «Sólo lee» era falso:
    leer POR RED tiene efectos. Medido el 2026-09-11 — censar gioser en modo `--local` disparó 29
    peticiones HTTPS a sus propios dominios, varios devuelven 502, y su `fail2ban` (jaula
    `caddy-backend-down`) **baneó la propia IP de la máquina**. Resultado: gioser dejó de poder hablar
    con su propio gitea y los `git push` empezaron a fallar con «Could not read from remote
    repository». Un censo que deja la máquina incomunicada no es de sólo lectura.

    Y además es metodológicamente mejor: lo que interesa es **qué ve el mundo**, no qué ve la máquina
    de sí misma. Por eso la sonda se hace desde donde corre el censo —el operador o la caja nueva— y
    se SALTA cuando se censa en local, salvo `--probe` explícito."""
    ip = ""
    try:
        r = subprocess.run(["getent", "ahostsv4", d], capture_output=True, text=True, timeout=10)
        if r.returncode == 0 and r.stdout.strip():
            ip = r.stdout.split()[0]
    except Exception:
        pass
    code = "000"
    if ip:
        try:
            r = subprocess.run(["curl", "-sk", "-o", "/dev/null", "-w", "%{http_code}",
                                "--max-time", "8", f"https://{d}/"], capture_output=True, text=True, timeout=20)
            code = r.stdout.strip() or "000"
        except Exception:
            pass
    if not ip:
        clase = "fosil-sin-dns"
    elif ip not in ips_maquina:
        clase = "ya-mudado"          # resuelve a otra máquina: el bloque de acá es fósil
    elif code.startswith(("2", "3")):
        clase = "vivo"
    else:
        clase = "backend-caido"
    return {"domain": d, "dns": ip, "http": code, "class": clase}


def datos(t, raices):
    """Qué pesa y dónde. Sin esto no se puede dimensionar la mudanza — y `du` sobre hardlinks MIENTE
    para dimensionar una COPIA (medido: 60 G por `du`, 85 G al copiar sin `-H`), así que se reportan
    los dos números."""
    res = []
    for r in raices:
        out, ok = t.run(f"du -sh {shlex.quote(r)} 2>/dev/null | cut -f1; "
                        f"du -sh --count-links {shlex.quote(r)} 2>/dev/null | cut -f1")
        ls = out.splitlines()
        if ok and ls:
            res.append({"path": r, "size": ls[0],
                        "size_copy": ls[1] if len(ls) > 1 else ls[0]})
    return res


def montajes(t):
    out, _ = t.run("df -h 2>/dev/null | grep -vE 'tmpfs|devtmpfs|^Filesystem|^Sist' ")
    res = []
    for l in out.splitlines():
        f = l.split()
        if len(f) >= 6:
            res.append({"dev": f[0], "size": f[1], "used": f[2], "avail": f[3], "mount": f[-1]})
    return res


def fuera_de_git(t):
    """Lo que NO viaja con el repo y sin lo cual el servidor nuevo no funciona. Se reporta la
    EXISTENCIA, nunca el contenido: un censo no copia secretos."""
    cands = ["~/.ssh", "/root/.ssh", "~/.config/hammer", "/root/.config/hammer",
             "/etc/caddy", "/etc/nginx", "/etc/letsencrypt", "/var/lib/gitea",
             "/etc/arje/cards.d", "/ente"]
    res = []
    for c in cands:
        out, ok = t.run(f"ls -d {c} >/dev/null 2>&1 && ls -1 {c} 2>/dev/null | head -20")
        if ok:
            res.append({"path": c, "entries": out.split() if out else []})
    out, _ = t.run("crontab -l 2>/dev/null | grep -vE '^#|^$' | wc -l")
    if out.isdigit() and int(out) > 0:
        res.append({"path": "crontab", "entries": [f"{out} líneas"]})
    return res


# ── clasificación ───────────────────────────────────────────────────────────────────────────────

# Nombres que NO son servicios: son el andamiaje del sistema o hijos de un servicio. Contarlos como
# `no-declarado` es ruido, y un censo con hallazgos falsos se ignora entero.
NO_SERVICIOS = {
    "agetty", "getty", "login", "bash", "sh", "dash", "zsh", "ssh", "sshd-session", "su", "sudo",
    "bwrap", "ps", "awk", "sed", "tail", "sleep", "rsync", "scp", "cat", "python3", "perl",
}


def normalizar(n):
    """Un mismo servicio se llama distinto en cada sitio: OpenRC dice `act-runner`, `ps` dice
    `act_runner`, systemd dice `act-runner.service`, y los getty por tty son `agetty.tty1`,
    `agetty-tty2`… Sin normalizar, el MISMO proceso sale a la vez como `no-declarado` y como
    `declarado-muerto`, que son las dos clases que más importan. Medido en gioser: pasaba con
    `act_runner`."""
    n = n.strip().lower()
    for suf in (".service", ".socket", ".timer", ".target"):
        if n.endswith(suf):
            n = n[: -len(suf)]
    n = n.replace("_", "-")
    n = re.sub(r'[.\-]tty\d+$', '', n)       # agetty.tty1 / agetty-tty2 → agetty
    n = re.sub(r'\d+$', '', n) if re.fullmatch(r'[a-z-]+\d+', n) else n
    return n


def emparenta(vivo, declarado):
    """¿Son el mismo servicio con distinto nombre? Los desajustes son sistemáticos, no caprichosos:
    el DEMONIO y la UNIDAD se llaman distinto. Medidos en gioser: `crond`↔`cronie`,
    `dbus-daemon`↔`dbus`, `fail2ban-server`↔`fail2ban`, `elogind-daemon`↔`elogind`.

    Sin esto, cada uno de ésos aparece a la vez como `no-declarado` (falso: sí está declarado) y como
    `declarado-muerto` (falso: sí está corriendo) — las dos clases que más importan, las dos mal."""
    if vivo == declarado:
        return True
    for suf in ("-daemon", "-server", "-bin"):
        if vivo.endswith(suf) and vivo[: -len(suf)] == declarado:
            return True
    # `crond` → `cron`, prefijo de `cronie`. `sshd` → `ssh`. Sólo quitando UNA `d` final y exigiendo
    # prefijo: quitar letras a ciegas emparenta cosas que no tienen nada que ver.
    if len(vivo) > 4 and vivo.endswith("d") and declarado.startswith(vivo[:-1]):
        return True
    return False


def es_nombre_de_servicio(n):
    """Descarta lo que claramente no es un servicio: versiones (`2.1.240`), rutas, vacíos. Salieron
    de parsear `rc-status -a`, cuya salida incluye líneas que no son unidades."""
    return bool(re.fullmatch(r'[a-z][a-z0-9@._+-]{1,40}', n)) and not re.fullmatch(r'[\d.]+', n)


def clasificar(vivos, decl):
    """Las tres clases. `no-declarado` es la importante: corre y nadie sabe cómo levantarlo."""
    # índice normalizado: nombre-canónico → fuentes que lo declaran
    idx = {}
    for fuente, nombres in decl.items():
        for n in nombres:
            if es_nombre_de_servicio(n.lower()):
                idx.setdefault(normalizar(n), set()).add(fuente)

    out, vistos, descartados = [], set(), []
    for nombre, pids in sorted(vivos.items()):
        canon = normalizar(nombre)
        if canon in NO_SERVICIOS or not es_nombre_de_servicio(canon):
            # No se esconde: un proceso con ppid==1 que no es un servicio suele ser un HUÉRFANO, y
            # eso es un hallazgo (procesos fugados que retienen locks, por ejemplo).
            descartados.append(nombre)
            continue
        fuentes = sorted(idx.get(canon, set()))
        if not fuentes:  # segunda pasada: demonio vs unidad
            emparentados = [f for d, fs in idx.items() if emparenta(canon, d) for f in fs]
            fuentes = sorted(set(emparentados))
            if fuentes:
                vistos.update(d for d in idx if emparenta(canon, d))
        vistos.add(canon)
        out.append({"name": nombre, "pids": pids,
                    "class": "vivo" if fuentes else "no-declarado",
                    "declared_in": fuentes})
    for canon in sorted(set(idx) - vistos):
        if canon in NO_SERVICIOS:
            continue
        out.append({"name": canon, "pids": [],
                    "class": "declarado-muerto",
                    "declared_in": sorted(idx[canon])})
    return out, descartados


# ── salida ──────────────────────────────────────────────────────────────────────────────────────

def toml_escape(s):
    return '"' + str(s).replace("\\", "\\\\").replace('"', '\\"') + '"'


def emitir_toml(c):
    L = []
    L.append("# censo de mudanza — generado por scripts/mudanza/censar.py. NO editar a mano salvo")
    L.append("# para DECIDIR: la etapa siguiente lee `decision` de cada entrada.")
    L.append(f"schema = \"takana-censo/1\"")
    L.append(f"fecha = {toml_escape(c['fecha'])}")
    L.append("")
    L.append("[maquina]")
    for k, v in c["identidad"].items():
        L.append(f"{k} = {toml_escape(v) if isinstance(v, str) else json.dumps(v)}")
    L.append("")
    for m in c["montajes"]:
        L.append("[[montaje]]")
        for k, v in m.items():
            L.append(f"{k} = {toml_escape(v)}")
        L.append("")
    for s in c["servicios"]:
        L.append("[[servicio]]")
        L.append(f"name = {toml_escape(s['name'])}")
        L.append(f"class = {toml_escape(s['class'])}")
        L.append(f"declared_in = {json.dumps(s['declared_in'])}")
        L.append(f"pids = {json.dumps(s['pids'])}")
        L.append(f"ports = {json.dumps([p['port'] for p in c['puertos'] if p['proc'].startswith(s['name'][:15])])}")
        L.append('decision = ""   # muda | muere | (vacío = sin decidir)')
        L.append("")
    for d in c["dominios"]:
        L.append("[[dominio]]")
        for k, v in d.items():
            L.append(f"{k} = {toml_escape(v)}")
        L.append('decision = ""   # muda | muere | (vacío = sin decidir)')
        L.append("")
    for d in c["datos"]:
        L.append("[[datos]]")
        for k, v in d.items():
            L.append(f"{k} = {toml_escape(v)}")
        L.append('decision = ""   # muda | muere | (vacío = sin decidir)')
        L.append("")
    for f in c["fuera_de_git"]:
        L.append("[[fuera_de_git]]")
        L.append(f"path = {toml_escape(f['path'])}")
        L.append(f"entries = {json.dumps(f['entries'])}")
        L.append("")
    return "\n".join(L) + "\n"


def resumen(c):
    i = c["identidad"]
    print(f"\n══ CENSO de {i['hostname']} ({', '.join(i['ips']) or '?'}) ══")
    print(f"   kernel {i['kernel']} · PID 1: {i['pid1']}")
    por_clase = {}
    for s in c["servicios"]:
        por_clase.setdefault(s["class"], []).append(s["name"])
    print("\n── servicios ──")
    for cl in ("vivo", "no-declarado", "declarado-muerto"):
        n = por_clase.get(cl, [])
        marca = "⚠ " if cl == "no-declarado" else "  "
        print(f"{marca}{cl:18} {len(n):3}  {' '.join(sorted(n)[:8])}{' …' if len(n) > 8 else ''}")
    if c.get("huerfanos"):
        print(f"   descartados (no son servicios: herramientas sueltas o HUÉRFANOS con ppid==1): "
              f"{len(c['huerfanos'])}  {' '.join(sorted(c['huerfanos'])[:8])}")
    if por_clase.get("no-declarado"):
        print("   ⚠ `no-declarado` = corre y NADIE sabe cómo levantarlo. Es el trabajo de la mudanza.")
    if c["dominios"]:
        print("\n── dominios ──")
        pd = {}
        for d in c["dominios"]:
            pd.setdefault(d["class"], []).append(d["domain"])
        for cl in ("vivo", "ya-mudado", "backend-caido", "fosil-sin-dns", "sin-sondear"):
            n = pd.get(cl, [])
            if n:
                print(f"  {cl:16} {len(n):3}  {' '.join(sorted(n)[:6])}{' …' if len(n) > 6 else ''}")
    if c["datos"]:
        print("\n── datos ──")
        for d in c["datos"]:
            extra = f"  (copiar sin -H: {d['size_copy']})" if d["size_copy"] != d["size"] else ""
            print(f"  {d['path']:28} {d['size']:>7}{extra}")
    print()


def main():
    ap = argparse.ArgumentParser(description="Censo de una máquina para mudarla. Sólo lee.")
    ap.add_argument("--host", help="usuario@host a censar por SSH")
    ap.add_argument("--key", help="clave SSH")
    ap.add_argument("--local", action="store_true", help="censar esta máquina")
    ap.add_argument("--out", help="fichero TOML de salida (default: stdout sólo el resumen)")
    ap.add_argument("--probe", action="store_true",
                    help="sondear los dominios por DNS+HTTP. Por defecto SÓLO con --host: hacerlo "
                         "contra uno mismo puede disparar el fail2ban de la propia máquina")
    ap.add_argument("--no-probe", action="store_true", help="no sondear dominios")
    ap.add_argument("--data-root", action="append", default=[],
                    help="raíz de datos a medir (repetible). Default: las habituales")
    a = ap.parse_args()
    if not a.host and not a.local:
        ap.error("hace falta --host o --local")

    t = Objetivo(a.host, a.key)
    print("   censando… (no se ESCRIBE nada; las sondas de red sí dejan huella: ver --probe)",
          file=sys.stderr)

    ident = identidad(t)
    vivos = procesos_vivos(t)
    decl = declarados(t)
    svc, huerfanos = clasificar(vivos, decl)
    pts = puertos(t)
    nombres = dominios(t)
    sondear = (a.probe or bool(a.host)) and not a.no_probe
    if nombres and not sondear:
        print(f"   ⚠ {len(nombres)} dominio(s) declarados, SIN sondear: censando en local, y pedirle",
              file=sys.stderr)
        print("     a la máquina sus propios dominios puede disparar su fail2ban y dejarla",
              file=sys.stderr)
        print("     incomunicada (pasó). Sondealos desde otra máquina, o forzá con --probe.",
              file=sys.stderr)
        doms = [{"domain": d, "dns": "", "http": "", "class": "sin-sondear"} for d in nombres]
    else:
        doms = []
        for i, d in enumerate(nombres):
            if i:
                time.sleep(0.5)   # no parecer un escaneo ante el propio fail2ban del objetivo
            doms.append(sondear_dominio(d, set(ident["ips"])))
    raices = a.data_root or ["/var/www", "/var/lib", "/srv", "/opt", "/home", "/store"]
    dat = datos(t, raices)
    censo = {
        "fecha": time.strftime("%Y-%m-%dT%H:%M:%SZ", time.gmtime()),
        "identidad": ident, "servicios": svc, "huerfanos": huerfanos, "puertos": pts,
        "dominios": doms, "datos": dat, "montajes": montajes(t),
        "fuera_de_git": fuera_de_git(t),
    }
    resumen(censo)
    if a.out:
        with open(a.out, "w") as f:
            f.write(emitir_toml(censo))
        print(f"   censo → {a.out}   (decidí `decision` en cada entrada y pasalo a la etapa 2)")


if __name__ == "__main__":
    main()