#!/usr/bin/env sh
# ste100-lint.sh — 檢查檔案是否違反 STE100 擬人台灣感規則（可機檢的部分）。
# 用法: ste100-lint.sh <file|dir> [...]
# 檢查項目:
#   1. 中國用語（references/ste100.md 的替換表左欄）
#   2. 中文句內的半形標點（, ; ! ? 緊鄰中日韓字元）
#   3. 常見 AI 套話（總的來說、綜上所述、希望這對你有幫助 等）
#   4. 簡體字（只收沒有繁體正當用法的字，避免誤報）
#   5. 中文並列項用斜線（半形 / 或全形 ／ 夾在中日韓字元之間），應改頓號「、」
#   6. 亂碼（U+FFFD 替代字元、Latin-1 雙重編碼殘留）
# 輸出: {檔案}:{行號}:{類別}:{命中內容}；全部通過 exit 0，有命中 exit 1。
# 掃描範圍與分流:
#   文件檔（.md、.json）跑全部六項。
#   程式碼檔（.sh .js .ts .py .cs .java .go .rb .php .sql .yml .yaml .toml）只跑簡體字與亂碼。
#   理由: 程式碼註解也要繁中無亂碼，但中國用語、半形標點、AI 套話、並列斜線這四項在程式碼裡
#   誤報率太高——英文標點、檔案路徑、URL、正規表示式到處都是半形逗號與斜線，識別字也常撞到
#   替換表左欄。只留簡體字與亂碼，命中就幾乎都是真的。
# 限制: 程式碼圍欄內的內容可能誤報，人工複核。
#       references/ste100.md 與本檔本身跳過——規則文件與規則實作裡的詞是被討論，不是被使用。
#       並列斜線會誤報兩類：含中文的路徑或分支名範例（例 feat/報表/P2），
#       以及英文項目並列（準則允許）。命中後先判斷是不是真的並列項。
set -u
TERMS='默認|支持某|兼容|信息|數據庫|服務器|軟件|硬件|網絡|質量|卸載|反饋|視頻|屏幕|鼠標|打印|立馬|靠譜|賦能|閉環|抓手|復盤'
CLICHES='總的來說|綜上所述|希望這對你有幫助|好問題|在當今|瞬息萬變|標誌著|奠定了基礎|體現了|不僅僅是|讓我們一起'
# 亂碼特徵，全部用十六進位跳脫寫，本檔才不會存進真的亂碼字元自己打自己：
#   \x{fffd}                替代字元，轉檔失敗留下的痕跡
#   \x{ef}\x{bf}\x{bd}      U+FFFD 本身又被雙重編碼一次（顯示成 �）
#   [\x{c2}-\x{f4}][\x{80}-\x{bf}]
#       雙重編碼特徵：UTF-8 位元組被當 Latin-1 解讀再存回去，原本的前導位元組變成
#       U+00C2–U+00F4 的拉丁字母（Ã、â、ä），後面緊跟著本來的續接位元組 U+0080–U+00BF。
#       兩者相連在正常文字裡幾乎不會出現，所以誤報極低；只寫 Ã 或 â 開頭會漏掉中日韓
#       字元最常見的 中 這一類。
GARBLED='\x{fffd}|\x{ef}\x{bf}\x{bd}|[\x{c2}-\x{f4}][\x{80}-\x{bf}]'
# 簡體字表的真實來源是 jsc-hooks 的 hooks/simplified.txt（ste100-guard.sh 共用同一份）。
# 讀不到就退回下面的內建備援字表。備援不能拿掉: jsc-hooks 不一定裝在這台機器上（單獨 clone
# plugins/meta、CI 只取一個 repo 都會發生），缺了基礎設施就讓簡體字檢查靜靜失效，會把「沒命中」
# 變成假通過，比不檢查更危險。
# 刻意排除繁體也在用的字（后、台、干、只、里、面、制、志），只留簡化後才出現的字形。
SIMPLIFIED_FALLBACK='应|为|这|说|发|国|过|对|开|关|问|题|东|车|马|鸟|龙|飞|见|无|产|业|务|书|写|学|习|报|纸|认|识|证|际|网|络|计|划|实|现|给|条|约|级|组|织|变|换|电|脑|两|双|单|构|价|钱|众|议|论|传|统|么|儿|们|从|来|时|间|长|门|闻|声|员|图|团|转|输|达|运|进|远|连|边|还|经|该|营|规|则|范|围|参|数|类|结|态|设|备|辑|译|码|库|档'

# 找共用字表。搜尋路徑比照 jsc-hooks/hooks/lib.sh 的 jsc_gitea_sh()：
# 先環境變數，再開發用的並排存取庫版面，最後已安裝的 plugin 快取版面。
simplified_file() {
  if [ -n "${JSC_SIMPLIFIED_FILE:-}" ] && [ -f "$JSC_SIMPLIFIED_FILE" ]; then
    printf '%s\n' "$JSC_SIMPLIFIED_FILE"; return 0
  fi
  _root="${CLAUDE_PLUGIN_ROOT:-$(dirname "$0")/..}"
  # 開發用的並排存取庫版面：{workspace}/meta 旁邊就是 {workspace}/hooks
  for _c in "$_root/../hooks/hooks/simplified.txt" "$_root/../jsc-hooks/hooks/simplified.txt"; do
    [ -f "$_c" ] && { printf '%s\n' "$_c"; return 0; }
  done
  # 已安裝版面：每個 plugin 各有版本目錄，取排序最後的一份（通常即最新版）
  _c=$(ls "$_root"/../../jsc-hooks/*/hooks/simplified.txt \
          "$_root"/../../hooks/*/hooks/simplified.txt \
          "$HOME"/.claude/plugins/cache/*/jsc-hooks/*/hooks/simplified.txt 2>/dev/null \
       | sort | tail -n1)
  [ -n "$_c" ] && [ -f "$_c" ] && { printf '%s\n' "$_c"; return 0; }
  return 1
}

SIMPLIFIED=''
SIMPLIFIED_SRC=$(simplified_file || true)
if [ -n "$SIMPLIFIED_SRC" ]; then
  # 一行一個字，# 開頭與空行忽略，行內空白去掉，再串成 grep -E 的交替式
  SIMPLIFIED=$(sed 's/#.*//; s/[[:space:]]//g' "$SIMPLIFIED_SRC" \
    | grep -v '^$' | tr '\n' '|' | sed 's/|$//')
fi
[ -n "$SIMPLIFIED" ] || SIMPLIFIED=$SIMPLIFIED_FALLBACK

hit=0
# 不帶參數會空跑並回 0，看起來像「全部通過」。這種假通過比不檢查更危險，所以擋掉。
if [ "$#" -eq 0 ]; then
  echo '用法: ste100-lint.sh <file|dir> [...]' >&2
  echo '沒有給檢查對象。空跑會回 0，看起來像通過，所以這裡直接視為錯誤。' >&2
  exit 2
fi
skip() { # $1=路徑；規則文件與規則實作本身不掃
  case "$1" in
    */references/ste100.md|references/ste100.md) return 0 ;;
    */tools/ste100-lint.sh|tools/ste100-lint.sh) return 0 ;;
    *) return 1 ;;
  esac
}
kind() { # $1=路徑；輸出 doc（跑全部六項）或 code（只跑簡體字與亂碼），其餘不掃
  case "$1" in
    *.md|*.json) printf 'doc' ;;
    *.sh|*.js|*.ts|*.py|*.cs|*.java|*.go|*.rb|*.php|*.sql|*.yml|*.yaml|*.toml) printf 'code' ;;
    *) printf '' ;;
  esac
}
files() {
  for p in "$@"; do
    if [ -d "$p" ]; then
      find "$p" \( \
        -name '*.md' -o -name '*.json' \
        -o -name '*.sh' -o -name '*.js' -o -name '*.ts' -o -name '*.py' \
        -o -name '*.cs' -o -name '*.java' -o -name '*.go' -o -name '*.rb' \
        -o -name '*.php' -o -name '*.sql' -o -name '*.yml' -o -name '*.yaml' \
        -o -name '*.toml' \) -not -path '*/.git/*'
    else
      echo "$p"
    fi
  done
}
check() { # $1=檔案 $2=類別 $3=grep 模式 $4=grep 旗標
  out=$(grep -n"$4" "$3" "$1" 2>/dev/null | sed "s|^|$1:|;s|:\([0-9]*\):|:\1:$2:|")
  if [ -n "$out" ]; then printf '%s\n' "$out"; hit=1; fi
}
for f in $(files "$@"); do
  skip "$f" && continue
  k=$(kind "$f")
  [ -n "$k" ] || continue
  if [ "$k" = doc ]; then
    check "$f" "中國用語" "$TERMS" E
    check "$f" "半形標點" '[\x{4e00}-\x{9fff}][,;!?]|[,;][\x{4e00}-\x{9fff}]' P
    check "$f" "AI 套話" "$CLICHES" E
    check "$f" "並列斜線" '[\x{4e00}-\x{9fff}][ ]?[/／][ ]?[\x{4e00}-\x{9fff}]' P
  fi
  check "$f" "簡體字" "$SIMPLIFIED" E
  check "$f" "亂碼" "$GARBLED" P
done
exit $hit