lms-sb/src/lib/clean-pdf/generate.ts

import { isIP } from "node:net";
import { chromium } from "playwright-core";
import { JSDOM } from "jsdom";
import { Defuddle } from "defuddle/node";
import { assertPublicUrl, isPrivateAddress } from "@/lib/clean-pdf/ssrf";
import { buildCleanHtml } from "@/lib/clean-pdf/template";

export class EmptyContentError extends Error {}
export class RenderError extends Error {}

/**
 * Оборачивает промис в app-level таймаут: если `p` не завершится за `ms`,
 * гонка завершится отказом с RenderError, и внешний `finally` (browser.close())
 * освободит слот browserless вместо того, чтобы держать его до зависшего вызова.
 */
function withTimeout<T>(p: Promise<T>, ms: number, message: string): Promise<T> {
  let timer: ReturnType<typeof setTimeout>;
  const guard = new Promise<never>((_, reject) => {
    timer = setTimeout(() => reject(new RenderError(message)), ms);
    timer.unref?.();
  });
  return Promise.race([p, guard]).finally(() => clearTimeout(timer)) as Promise<T>;
}

const GOTO_TIMEOUT_MS = 30_000;
const SETTLE_TIMEOUT_MS = 10_000;
const PDF_TIMEOUT_MS = 30_000;
const UA =
  "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0 Safari/537.36";

function browserWsUrl(): string {
  const base = process.env.BROWSER_WS_URL;
  if (!base) throw new RenderError("BROWSER_WS_URL не задан");
  const token = process.env.BROWSERLESS_TOKEN;
  return token ? `${base}${base.includes("?") ? "&" : "?"}token=${token}` : base;
}

export async function generateCleanPdf(opts: {
  url: string;
  format: "A4" | "Letter";
  theme: "light" | "dark";
}): Promise<{ pdf: Buffer; title: string }> {
  const target = await assertPublicUrl(opts.url);

  const browser = await chromium.connectOverCDP(browserWsUrl()).catch((e) => {
    throw new RenderError(`Браузер недоступен: ${e.message}`);
  });

  try {
    const context = await browser.newContext({ userAgent: UA, viewport: { width: 1280, height: 800 } });
    // Вторая линия SSRF-обороны: страница не может дёргать приватные адреса
    // (литеральные IP и localhost; hostnames уже проверены до goto).
    await context.route("**/*", (route) => {
      try {
        const u = new URL(route.request().url());
        const host = u.hostname.replace(/^\[|\]$/g, "").replace(/\.$/, "");
        if (
          (u.protocol !== "http:" && u.protocol !== "https:") ||
          host === "localhost" || host.endsWith(".local") || host.endsWith(".internal") ||
          (isIP(host) !== 0 && isPrivateAddress(host))
        ) {
          return route.abort();
        }
      } catch {
        return route.abort();
      }
      return route.continue();
    });

    // context.route НЕ перехватывает WebSocket — отдельная защита от SSRF через ws://
    await context.routeWebSocket("**/*", (ws) => {
      try {
        const u = new URL(ws.url());
        const host = u.hostname.replace(/^\[|\]$/g, "").replace(/\.$/, "");
        if (
          (u.protocol !== "ws:" && u.protocol !== "wss:") ||
          host === "localhost" || host.endsWith(".local") || host.endsWith(".internal") ||
          (isIP(host) !== 0 && isPrivateAddress(host))
        ) {
          ws.close();
          return;
        }
      } catch {
        ws.close();
        return;
      }
      ws.connectToServer();
    });

    const page = await context.newPage();
    await page.goto(target.href, { waitUntil: "domcontentloaded", timeout: GOTO_TIMEOUT_MS }).catch((e) => {
      throw new RenderError(`Страница не открылась: ${e.message}`);
    });
    await page.waitForLoadState("networkidle", { timeout: SETTLE_TIMEOUT_MS }).catch(() => {});

    const rawHtml = await page.content();
    const pageTitle = await page.title().catch(() => "");

    const dom = new JSDOM(rawHtml, { url: target.href });
    const article = await Defuddle(dom.window.document, target.href);
    // DefuddleResponse (node_modules/defuddle/dist/types.d.ts) типизирует
    // content/title/author/site/domain/wordCount как обязательные (не optional) поля —
    // сам объект тоже не nullable (Defuddle() не возвращает null/undefined).
    // Отсутствие контента выражается пустой строкой/нулевым wordCount, не отсутствием поля.
    if (!article.content || article.wordCount < 10) {
      throw new EmptyContentError("Не удалось выделить содержимое страницы");
    }

    const title = article.title || pageTitle || target.hostname;
    const cleanHtml = buildCleanHtml({
      title,
      author: article.author || undefined,
      site: article.site || article.domain || undefined,
      url: target.href,
      contentHtml: article.content,
      theme: opts.theme,
    });

    const pdfPage = await context.newPage();
    await pdfPage.setContent(cleanHtml, { waitUntil: "networkidle", timeout: SETTLE_TIMEOUT_MS }).catch(() => {});
    // page.pdf() в playwright-core не принимает опцию timeout (проверено по
    // node_modules/playwright-core/types/types.d.ts) и не имеет implicit-бага —
    // оборачиваем в app-level withTimeout, чтобы зависание всё же дошло до
    // finally (browser.close()) и не держало CONCURRENT-слот browserless.
    const pdf = await withTimeout(
      pdfPage.pdf({
        format: opts.format,
        printBackground: true,
        margin: { top: "15mm", bottom: "18mm", left: "15mm", right: "15mm" },
      }),
      PDF_TIMEOUT_MS,
      "Печать PDF не завершилась вовремя",
    );

    return { pdf, title };
  } finally {
    await browser.close().catch(() => {});
  }
}