#!/bin/bash
# ============================================================================
#  网站监测单元（Lightsail 版）
# ============================================================================
#
#  每 60 秒查一次网站，连续 3 次不通就叫紧急预案。
#
#  ── 为什么查两层 ──────────────────────────────────────────────────────
#
#      PRIMARY   https://yk.xxmxxs.top/v1/health
#                用户实际走的路：Cloudflare -> nginx -> 中转，全程 https
#
#      FALLBACK  http://127.0.0.1:13245/v1/health
#                中转本身，绕开 Cloudflare 和 nginx
#
#  两个都查才能**分清是哪一层坏了**，从而选对抢救动作：
#
#      PRIMARY 挂 + FALLBACK 好  -> 问题在 CF / DNS / nginx 层（edge）
#      两个都挂                  -> 中转服务本身有问题（core）
#
#  只查一个的话就没法区分 —— 不管是哪层坏了都只能"重启中转"，
#  而 edge 层的问题重启中转根本没用。
#
#  ── 为什么用 timer 而不是常驻进程 ──────────────────────────────────────
#
#  崩了下一分钟自己就回来，不会有"跑久了状态变脏"的问题。
#
#  ── 踩过的两个坑（都写在这里免得再犯）────────────────────────────────
#
#  1. 改监听地址之后忘了改探测地址
#     把中转改成只绑 127.0.0.1 之后，探测还在查公网 :13245，
#     于是连续报"网站挂了" -> 启动预案 -> 重启中转 -> 再查还是失败，
#     差一点就是无限重启循环。
#
#  2. 忘了 curl 默认不跟跳转
#     certbot 加了 http -> https 的 301 之后，探测拿到 301 而不是 200，
#     又被判成"挂了"。所以下面用 -L。
#
#  共同教训：**改了入口的行为，必须回头看所有探测入口的地方。**
# ============================================================================

set -u

RELAY_DIR="${RELAY_DIR:-/opt/ykxmz-relay}"

PRIMARY_URL="${PRIMARY_URL:-https://yk.xxmxxs.top}"
FALLBACK_URL="${FALLBACK_URL:-http://127.0.0.1:13245}"

FAIL_THRESHOLD="${FAIL_THRESHOLD:-3}"
COOLDOWN="${COOLDOWN:-600}"
CHECK_TIMEOUT="${CHECK_TIMEOUT:-10}"

STATE="$RELAY_DIR/monitor_state.txt"
LOG="$RELAY_DIR/monitor.log"
LOCKFILE="/tmp/ykxmz-monitor.lock"

if ! mkdir "$LOCKFILE" 2>/dev/null; then
    exit 0
fi
trap 'rmdir "$LOCKFILE" 2>/dev/null' EXIT

log() { echo "$(date '+%F %T')  $*" >> "$LOG"; }

# ---- 读上次状态 ----
FAILS=0
LAST_RESCUE=0
if [ -f "$STATE" ]; then
    FAILS=$(grep -m1 '^fails=' "$STATE" 2>/dev/null | cut -d= -f2)
    LAST_RESCUE=$(grep -m1 '^last_rescue=' "$STATE" 2>/dev/null | cut -d= -f2)
    FAILS=${FAILS:-0}
    LAST_RESCUE=${LAST_RESCUE:-0}
fi
NOW=$(date +%s)

# ---- 探两层 ----
# -L 跟跳转：nginx 那边 http 会 301 到 https。
# 不跟跳转的话拿到 301 会被误判成故障（这个坑踩过一次）。
PUB_CODE=$(curl -sL -o /dev/null -w '%{http_code}' \
           --max-time "$CHECK_TIMEOUT" "$PRIMARY_URL/v1/health" 2>/dev/null)
PUB_DUR=$(curl -sL -o /dev/null -w '%{time_total}' \
          --max-time "$CHECK_TIMEOUT" "$PRIMARY_URL/v1/health" 2>/dev/null)
LOC_CODE=$(curl -s -o /dev/null -w '%{http_code}' \
           --max-time "$CHECK_TIMEOUT" "$FALLBACK_URL/v1/health" 2>/dev/null)
PUB_CODE=${PUB_CODE:-000}
LOC_CODE=${LOC_CODE:-000}
PUB_DUR=${PUB_DUR:-0}

# 健康 = 用户那层通。这层的通才算"网站是好的"。
CODE="$PUB_CODE"

# 哪一层坏了？给预案用的提示
LAYER=""
if [ "$PUB_CODE" != "200" ] && [ "$LOC_CODE" = "200" ]; then
    LAYER="edge"
elif [ "$PUB_CODE" != "200" ] && [ "$LOC_CODE" != "200" ]; then
    LAYER="core"
fi

write_state() {
    {
        echo "fails=$1"
        echo "last_rescue=$2"
        echo "last_code=$PUB_CODE"
        echo "local_code=$LOC_CODE"
        echo "layer=$LAYER"
        echo "last_check=$NOW"
        echo "last_dur=$PUB_DUR"
    } > "$STATE"
}

if [ "$CODE" = "200" ]; then
    PREV=$(grep -m1 '^last_code=' "$STATE" 2>/dev/null | cut -d= -f2)
    if [ "$PREV" != "200" ] && [ -n "$PREV" ]; then
        log "网站恢复（HTTP 200，${PUB_DUR}s）—— 之前连续失败 $FAILS 次"
    fi
    write_state 0 "$LAST_RESCUE"
    exit 0
fi

FAILS=$((FAILS + 1))
log "网站异常 第 $FAILS 次（用户层 HTTP $PUB_CODE，中转层 HTTP $LOC_CODE${LAYER:+，层次=$LAYER}，${PUB_DUR}s）"
write_state "$FAILS" "$LAST_RESCUE"

if [ "$FAILS" -lt "$FAIL_THRESHOLD" ]; then
    exit 0
fi

SINCE=$((NOW - LAST_RESCUE))
if [ "$LAST_RESCUE" != "0" ] && [ "$SINCE" -lt "$COOLDOWN" ]; then
    log "  已连续失败 $FAILS 次，但距上次抢救只过了 ${SINCE}s（冷却 ${COOLDOWN}s）"
    exit 0
fi

# 知识库提示：历史上哪一级最常奏效
HINT=""
if [ -f "$RELAY_DIR/rescue_knowledge.md" ]; then
    HINT=$(grep -oE '第 [0-9] 级奏效' "$RELAY_DIR/rescue_knowledge.md" 2>/dev/null \
           | sort | uniq -c | sort -rn | head -1 | grep -oE '[0-9]')
fi

log "连续失败 $FAILS 次，启动紧急预案（层次：${LAYER:-未知}）${HINT:+，知识库提示第 $HINT 级常奏效}"
write_state "$FAILS" "$NOW"

timeout 300 bash "$RELAY_DIR/rescue.sh" \
    "监测单元：网站连续 $FAILS 次不通（层次 ${LAYER:-未知}）" >> "$LOG" 2>&1
RC=$?

if [ "$RC" = "0" ]; then
    log "  预案完成：已恢复"
else
    log "  预案完成：仍未恢复（退出码 $RC），报告在 rescue_reports/"
fi
exit 0