"""Vasker en logg eller feilmelding før den limes inn i en AI-tjeneste.

    python vask_logg.py logg_eksempel.txt
    python snitt.py okter.csv 2>&1 | python vask_logg.py

Hører til gribben.no/tech/losninger/feilsok-med-ai.html. Bare standardbiblioteket.
Vaskeren i nettleseren på samme side bruker de samme ni reglene i samme
rekkefølge. Der \\w står her, står [\\p{L}\\p{N}_] i JavaScript, fordi \\w
i JavaScript bare kjenner a–z og ville latt æøå-adresser slippe halvveis.

Bytter ut det som oftest lekker: filstier med brukernavn, brukernavn og
passord i adresser, Authorization-hoder, kjente tokenformater, nøkkel=verdi,
e-post, IP-adresser, elleve siffer (som kan være fødselsnummer) og norske
telefonnumre. Rekkefølgen betyr noe: nøkler tas før de generelle
mønstrene, ellers blir en del av en nøkkel stående igjen.

Dette er et grovfilter, aldri en garanti. Det kjenner ikke navn, adresser,
kundenumre i ditt format eller nøkler med et navn det ikke har sett. Les
den vaskede teksten selv, linje for linje, før du limer den inn.
"""
import re
import sys

REGLER = [
    # 1. Filstier: behold filnavnet, fjern mappene. De sier hvem du er.
    (re.compile(r'(?:(?<![A-Za-z])[A-Za-z]:\\|/home/|/Users/)[^"\n]*[\\/]'), "<sti>/"),
    # 2. Brukernavn og passord i en adresse: https://ola:hemmelig@server
    (re.compile(r"(\w+://)[^/\s:@]+:[^/\s@]+@"), r"\1<fjernet>@"),
    # 3. Authorization-hoder: Bearer og Basic
    (re.compile(r"(?i)\b(bearer|basic)\s+[A-Za-z0-9._~+/=-]{8,}"), r"\1 <token>"),
    # 4. Tokens med kjent form: JWT, GitHub, AWS-nøkkel-ID, sk-nøkler, Slack
    (re.compile(r"\beyJ[\w-]+\.[\w-]+\.[\w-]+"
                r"|\b(?:ghp|gho|ghu|ghs|ghr|github_pat)_\w{20,}"
                r"|\bAKIA[0-9A-Z]{16}\b"
                r"|\bsk-[\w-]{20,}"
                r"|\bxox[abpr]-[\w-]{10,}"), "<token>"),
    # 5. nøkkel=verdi, også GITHUB_TOKEN=, SECRET_KEY: og "password": "...".
    #    «key» alene tas ikke, ellers forsvinner key=lambda fra Python-kode.
    (re.compile(r"(?i)([\w-]*(?:api[_-]?key|[_-]key|token|secret|passord|password|pwd|n[oø]kkel))"
                r"[\"']?\s*[=:]\s*(\"[^\"]*\"|'[^']*'|\S+)"), r"\1=<fjernet>"),
    # 6. E-post
    (re.compile(r"[\w.+-]+@[\w-]+(?:\.[\w-]+)+"), "<e-post>"),
    # 7. IPv4
    (re.compile(r"\b(?:\d{1,3}\.){3}\d{1,3}\b"), "<ip>"),
    # 8. Elleve siffer, også 6 + 5 med mellomrom, kan være et fødselsnummer
    (re.compile(r"(?<!\d)\d{6} ?\d{5}(?!\d)"), "<11 siffer>"),
    # 9. Norske telefonnumre: 3-2-3 eller 2-2-2-2, med eller uten +47.
    #    Bare vanlig mellomrom som skille, så datoer som 2026-10-08 får stå.
    (re.compile(r"(?<!\d)(?:\+47 ?)?(?:\d{3} ?\d{2} ?\d{3}|\d{2} ?\d{2} ?\d{2} ?\d{2})(?!\d)"), "<telefon>"),
]


def vask(tekst: str) -> str:
    for mønster, erstatning in REGLER:
        tekst = mønster.sub(erstatning, tekst)
    return tekst


def les_fil(sti: str) -> str:
    # Filer lagret fra norsk Excel eller eldre Windows-programmer er ofte
    # cp1252, ikke UTF-8. Da leses de som cp1252, og vi sier fra.
    try:
        with open(sti, encoding="utf-8-sig") as f:
            return f.read()
    except UnicodeDecodeError:
        print(f"Merk: {sti} er ikke UTF-8, leser den som cp1252 (Windows).", file=sys.stderr)
        with open(sti, encoding="cp1252") as f:
            return f.read()


if __name__ == "__main__":
    sys.stdout.reconfigure(encoding="utf-8")
    sys.stderr.reconfigure(encoding="utf-8")
    if len(sys.argv) > 1:
        inn = les_fil(sys.argv[1])
    else:
        # Fra en pipe: tegn som ikke er UTF-8, blir byttet ut, ikke krasj.
        sys.stdin.reconfigure(encoding="utf-8", errors="replace")
        inn = sys.stdin.read()
    print(vask(inn), end="")