gendesign/tradein-mvp/backend/app/observability/sentry_scrub.py

"""Хуки before_send для GlitchTip/Sentry SDK (tradein-local, #396, #tgsupport).

Redact-ит consumer-PII (client_name / client_phone / client_email и пр.)
из error events до отправки в GlitchTip — estimator/trade-in flow таскает
эти поля, а send_default_pii=False их не покрывает (это user-data в
request.data / extra / contexts, не PII-заголовки).

`redact_telegram_bot_token` — отдельный хук (#tgsupport review): Telegram Bot
API токен живёт в URL-пути (`https://api.telegram.org/bot<id>:<secret>/...`),
а не в query/userinfo, поэтому НЕ покрывается sentry_sdk `sanitize_url` (тот
режет только `user:pass@` и query-параметры). Токен утекает ДВУМЯ путями,
которые `_scrub`/`scrub_pii_event` (ключ-based, PII-словарь) не ловят:
  1. `include_local_variables=True` (sentry_sdk default) кладёт locals
     stack-фрейма (`self._base`, `url` в `TelegramClient._request`) в
     traceback → полный токен открытым текстом.
  2. `HttpxIntegration` кладёт полный request URL в span `data` (виден при
     любом ненулевом `traces_sample_rate`), а не только в traceback.
Поэтому редактор — НЕ ключ-based, а regex full-text по КАЖДОЙ строке во всём
event (глубокий обход dict/list/tuple) — токен может всплыть в любом поле.
"""

from __future__ import annotations

import re
from typing import Any

from sentry_sdk.types import Event
from tenacity import RetryError

_REDACTED = "[REDACTED]"
# Ключи consumer-PII (нижний регистр; сверка case-insensitive).
# PR-D2 (payments perimeter hardening): + платёжные поля Т-Банка (customer_email/
# customer_phone из checkout, pan/expdate/cardid/rebillid/token/terminalkey из
# notify) — belt-and-suspenders поверх `scrub_payment_request_body` ниже, которая
# вырезает `request.data` для /payments/* целиком: этот словарь всё равно нужен
# для extra/contexts И на случай, если платёжное поле когда-нибудь попадёт в
# error event НЕ через request.data (напр. кто-то положит его в extra вручную).
_PII_KEYS = frozenset(
    {
        "client_name",
        "client_phone",
        "client_email",
        "phone",
        "email",
        "name",
        "customer_email",
        "customer_phone",
        "pan",
        "expdate",
        "cardid",
        "rebillid",
        "token",
        "terminalkey",
    }
)

# Сегмент пути платёжного периметра (notify + checkout + любой будущий
# /payments/* суб-путь) — PR-D2, готовит почву под PR-D3 (эндпоинты ещё не
# существуют). Матчим по сегменту, не по конкретному эндпоинту, чтобы не
# требовать правки этого файла на каждый новый платёжный путь.
_PAYMENTS_URL_SEGMENT = "/api/v1/trade-in/payments/"

# Telegram Bot API токен в пути URL: /bot<numeric_id>:<secret-part>/<method>.
# Матчим ровно этот сегмент (не весь URL) — сохраняет остальной путь/query
# читаемым для диагностики (метод API, error code и т.п.).
_TG_BOT_TOKEN_RE = re.compile(r"/bot\d+:[A-Za-z0-9_-]+")
_TG_BOT_TOKEN_REPLACEMENT = "/bot[REDACTED]"

# Тот же токен БЕЗ префикса `/bot` — форма `<numeric_id>:<secret>` сама по себе
# (напр. локаль `token` в конструкторе TelegramClient, или если его кто-то
# засунет в log-сообщение). Сейчас единственный путь такой формы в event —
# locals стек-фрейма, а они выключены через include_local_variables=False в
# tgbot_main. Но именно на отказ того флага этот редактор и страхует: без этой
# ветки рубеж был бы один, а не два. Формат токена BotFather: 8-12 цифр `:` 35
# символов base64url — нижние границы взяты с запасом, чтобы не промахнуться
# на нестандартных id, но остаться уже, чем `\d+:\S+` (тот бил бы по любым
# `id:value` в логах, напр. `chat_id:12345`).
_TG_BOT_TOKEN_BARE_RE = re.compile(r"\b\d{6,12}:[A-Za-z0-9_-]{30,}\b")

# Query-string секреты в исходящих URL сторонних API (аудит-фикс, #security-audit):
# исторически — mobileproxy changeip-ссылка (`AVITO_PROXY_ROTATE_URL` и др.,
# admin.rotate_proxy_ip) несла провайдерский API-ключ в query
# (`?...&proxy_key=...`). Ручка и переменные удалены (#2616 шаг 2/3, мёртвая
# подписка) — редактор оставлен как generic safety net (не ключ-based, любой
# будущий query-секрет с распространённым именем параметра тоже покрыт).
# Два независимых пути утечки в GlitchTip, зеркалящих TG-токен выше:
#   1. `HttpxIntegration.send()` парсит URL через `parse_url(str(request.url),
#      sanitize=False)` (ЯВНЫЙ opt-out из sentry_sdk `sanitize_url`, который иначе
#      сам вырезал бы query-параметры) и кладёт полный URL в span `data["url"]` —
#      сейчас неактивно (`traces_sample_rate=0.0` в app/main.py/scheduler_main.py →
#      span не сэмплится/не уходит), но молча перестанет спасать, если трейсинг
#      когда-нибудь включат.
#   2. `include_local_variables=True` (sentry_sdk default в app/main.py — в отличие
#      от tgbot_main.py, где явно False) кладёт stack-frame locals в traceback
#      открытым текстом (был прецедент: `rotate_url`/`exc` в удалённом
#      admin.rotate_proxy_ip).
# Как и TG-токен — full-text regex по КАЖДОЙ строке event (не ключ-based): секрет
# может всплыть где угодно (frame locals, breadcrumb, exception message). НЕ
# завязано на конкретного провайдера — покрывает любой query-параметр из
# общеупотребимого набора секретных имён (api_key/proxy_key/token/secret/password/
# access_token/auth) — живой пример: ASOCKS_API_TOKEN (потенциально
# другой провайдер, другое имя параметра).
_URL_SECRET_QUERY_RE = re.compile(
    r"(?i)([?&](?:api[_-]?key|proxy[_-]?key|token|secret|password|pwd|"
    r"access[_-]?token|auth)=)[^&\s\"'<>]+"
)
_URL_SECRET_QUERY_REPLACEMENT = r"\g<1>" + _REDACTED

# httpx error-message URL query stabilization (GlitchTip-noise review round 2,
# claim #1). `httpx.HTTPStatusError.__str__()` (raised by `response.raise_for_status()`)
# bakes the FULL request URL — INCLUDING query string — into the exception message:
# "Client error '403 Forbidden' for url 'https://nominatim.openstreetmap.org/
# search?q=<адрес>&format=json&limit=3'" (воспроизведено эмпирически: httpx.Response
# с params={"q": "<адрес>"} → raise_for_status() → именно этот текст). После
# app/services/geocoder.py `reraise=True` (стабилизирует ТИП исключения — RetryError
# → httpx.HTTPStatusError, см. комментарий у `_nominatim_lookup`) ИМЕННО этот текст
# становится GlitchTip title/value каждого события. `q=<адрес>` — переменная часть
# на КАЖДЫЙ вызов (ночной `geocode_missing_listings` — сотни разных адресов за
# прогон), значит per-address issue-explosion не устранён `reraise=True`, а просто
# переехал с RetryError на HTTPStatusError (тот же механизм: GlitchTip группирует по
# нестабильному тексту сообщения — это же подтверждают исходные 2 462 RetryError-issue,
# невозможные при группировке чисто по stacktrace/culprit).
#
# Отдельная регулярка от `_URL_SECRET_QUERY_RE` намеренно: та бьёт по ИМЕНИ известных
# secret-параметров (security-редактор), здесь — ЛЮБОЙ query string в httpx-стиле
# сообщении "for url '...'" (grouping-стабильность, не секретность — `q` не секрет).
# Режем query целиком (не только конкретные параметры) — host+path остаются
# стабильными для группировки, "for url '...'" — единственная форма, которую бьёт
# regex (не трогает произвольные строки с `?`, см. тест
# test_scrub_pii_event_httpx_url_query_stabilization_leaves_unrelated_text_untouched).
_HTTPX_ERROR_URL_QUERY_RE = re.compile(r"(for url '[^'?]*)\?[^']*(')")
_HTTPX_ERROR_URL_QUERY_REPLACEMENT = r"\g<1>?" + _REDACTED + r"\g<2>"


def _scrub(obj: Any) -> None:
    """Рекурсивно заменить значения PII-ключей в dict на [REDACTED] (in-place)."""
    if isinstance(obj, dict):
        for key, value in obj.items():
            if isinstance(key, str) and key.lower() in _PII_KEYS:
                obj[key] = _REDACTED
            else:
                _scrub(value)
    elif isinstance(obj, list):
        for item in obj:
            _scrub(item)


def _regex_redact_inplace(obj: Any, pattern: re.Pattern[str], replacement: str) -> None:
    """Рекурсивно (IN-PLACE, как `_scrub`) прогоняет `pattern.sub(replacement, ...)`
    по КАЖДОЙ строке event (не ключ-based) — общий обход, переиспользуемый и для
    URL-секретов (`_URL_SECRET_QUERY_RE`), и для стабилизации httpx error-message
    URL (`_HTTPX_ERROR_URL_QUERY_RE`): в обоих случаях переменные данные утекают
    через httpx span `url`/`query` data и через текст исключений (`str(exc)` httpx
    содержит полный request URL), а не только через известные PII-поля формы.
    Мутирует dict/list на месте (НЕ пересоздаёт структуру, в отличие от
    `_redact_strings`) — сохраняет identity верхнеуровневого `event`, на что
    опирается контракт `scrub_pii_event`/`before_send` и существующие тесты
    (`out is event`).
    """
    if isinstance(obj, dict):
        for key, value in obj.items():
            if isinstance(value, str):
                redacted = pattern.sub(replacement, value)
                if redacted != value:
                    obj[key] = redacted
            else:
                _regex_redact_inplace(value, pattern, replacement)
    elif isinstance(obj, list):
        for i, value in enumerate(obj):
            if isinstance(value, str):
                redacted = pattern.sub(replacement, value)
                if redacted != value:
                    obj[i] = redacted
            else:
                _regex_redact_inplace(value, pattern, replacement)
    # tuple намеренно не обрабатываем: sentry_sdk event — это JSON-совместимая
    # структура (dict/list/str/int/...), tuple там не встречается, а даже если бы
    # встретился — он immutable, in-place правка невозможна (см. `_scrub`, тот же
    # выбор для dict/list).


def scrub_pii_event(event: Event, _hint: dict[str, Any]) -> Event | None:
    """Redact consumer-PII + URL query-string секретов/nondeterministic-данных из
    error event перед отправкой.

    Композиция (все — in-place, сохраняют identity `event`): (1) ключ-based
    dict-scrub consumer-PII полей формы (как раньше), (2) full-text regex-проход
    по ВСЕМУ event, вырезающий значения секрет-подобных query-параметров в любой
    строке (proxy/API-ключи в исходящих URL сторонних сервисов, напр. mobileproxy
    changeip — #security-audit), (3) full-text regex-проход, стабилизирующий httpx
    error-message URL (`for url '...?...'`) — убирает переменный query string
    (адрес геокодинга и т.п.), от которого GlitchTip group-title плодит issue на
    каждый вызов (GlitchTip-noise review round 2, claim #1; см. комментарий у
    `_HTTPX_ERROR_URL_QUERY_RE`). (2) и (3) не завязаны на конкретные ключи полей —
    ловят секрет/переменные данные в frame locals, breadcrumb, exception message
    и т.д., где они могут оказаться независимо от
    include_local_variables/traces_sample_rate. Возвращает event (не None).
    """
    if not isinstance(event, dict):
        return event
    request = event.get("request")
    if isinstance(request, dict):
        _scrub(request.get("data"))
    _scrub(event.get("extra"))
    _scrub(event.get("contexts"))
    _regex_redact_inplace(event, _URL_SECRET_QUERY_RE, _URL_SECRET_QUERY_REPLACEMENT)
    _regex_redact_inplace(event, _HTTPX_ERROR_URL_QUERY_RE, _HTTPX_ERROR_URL_QUERY_REPLACEMENT)
    return event


def scrub_payment_request_body(event: Event, _hint: dict[str, Any]) -> Event | None:
    """Вырезать `event['request']['data']` целиком для платёжных путей (PR-D2).

    Ключ-based `scrub_pii_event` НЕ спасает платёжную нотификацию: sentry_sdk
    2.64 (`integrations/starlette.py`) кладёт ПОЛНОЕ тело запроса в
    `event.request.data`, и `send_default_pii=False` этот путь не гейтит — тот
    флаг управляет только куками, не телом запроса (проверено живьём на соседнем
    продукте). Тело нотификации Т-Банка несёт `Token`/`Pan`/`ExpDate`/`CardId`/
    `RebillId`/`DATA` — банк сам выбирает имена полей, перечислить их все заранее
    нельзя, поэтому единственная безопасная стратегия для этого пути — не
    отправлять тело целиком, а не пытаться вычистить отдельные ключи.

    Матчим по сегменту `/api/v1/trade-in/payments/` (не по конкретному
    эндпоинту) — покрывает notify, checkout и любой будущий суб-путь одним
    фильтром, без правки этого файла на каждое расширение платёжного API.
    Сравнение регистронезависимое: `_PUBLIC_PATHS` (rbac) — точное множество без
    учёта регистра только у Caddy, не у Python, так что нестандартный регистр
    пути технически может долететь до обработчика и породить событие.

    Композировать с `scrub_pii_event`/`redact_telegram_bot_token`, а не вместо
    них — этот шаг закрывает только `request.data`, extra/contexts и
    traceback-locals остаются на ответственности остальных шагов композиции.
    """
    if not isinstance(event, dict):
        return event
    request = event.get("request")
    if isinstance(request, dict):
        url = request.get("url")
        if isinstance(url, str) and _PAYMENTS_URL_SEGMENT in url.lower():
            request.pop("data", None)
    return event


_PUBLIC_API_URL_SEGMENT = "/api/public/"

#: Хосты геокодеров: их URL несёт введённый адрес прямо в query.
_GEOCODER_HOSTS = ("nominatim.openstreetmap.org", "suggestions.dadata.ru", "dadata.ru")

_ANY_URL_QUERY_RE = re.compile(r"^([^?]*)\?.*$")


def scrub_public_address(event: Event, _hint: dict[str, Any]) -> Event | None:
    """Убрать введённый анонимом адрес из события GlitchTip.

    На `meraocenka.ru/estimate` и в политике обработки ПДн сказано, что адрес
    нигде не сохраняется. GlitchTip — внешний сервис, и до этой правки адрес
    доезжал туда двумя путями (оба воспроизведены состязательным ревью
    16.08.2026, не выведены из чтения кода):

      1. `event.request.data`. sentry_sdk кладёт в событие ПОЛНОЕ тело запроса,
         а `send_default_pii=False` этот путь не гейтит — он про куки и IP, не
         про тело. Тело публичной ручки — это ровно `{"q": "<адрес>"}`.
         Ключ-based `scrub_pii_event` не помогает: `_PII_KEYS` перечисляет
         имена вроде `client_phone`, а поле здесь называется `q`.
      2. Брэдкрамб исходящего HTTP-запроса к геокодеру: `HttpxIntegration`
         кладёт URL целиком, а адрес там в query (`?q=Малышева+30`).

    Стратегия та же, что у платёжного тела: не вычищать отдельные ключи, а
    убирать целиком — состав полей задаёт не только наш код (у геокодеров свои
    параметры), поэтому перечислить безопасное заранее нельзя.

    Композировать с остальными шагами, а не вместо них.
    """
    if not isinstance(event, dict):
        return event

    request = event.get("request")
    if isinstance(request, dict):
        url = request.get("url")
        if isinstance(url, str) and _PUBLIC_API_URL_SEGMENT in url.lower():
            request.pop("data", None)

    crumbs = event.get("breadcrumbs")
    values = crumbs.get("values") if isinstance(crumbs, dict) else crumbs
    if isinstance(values, list):
        for crumb in values:
            if not isinstance(crumb, dict):
                continue
            data = crumb.get("data")
            if not isinstance(data, dict):
                continue
            url = data.get("url")
            if isinstance(url, str) and any(h in url for h in _GEOCODER_HOSTS):
                data["url"] = _ANY_URL_QUERY_RE.sub(r"\g<1>?" + _REDACTED, url)

    return event


def _redact_strings(obj: Any) -> Any:
    """Рекурсивно проходит dict/list/tuple и прогоняет обе токен-регулярки по КАЖДОЙ
    строке (не только по конкретным ключам) — токен может оказаться в locals
    stack-фрейма, span data, breadcrumb message, request.url и т.д. Возвращает
    НОВУЮ структуру (не мутирует `obj` — в отличие от `_scrub`, чтобы не зависеть
    от того, какие контейнеры sentry_sdk считает mutable в своём event dict)."""
    if isinstance(obj, str):
        redacted = _TG_BOT_TOKEN_RE.sub(_TG_BOT_TOKEN_REPLACEMENT, obj)
        return _TG_BOT_TOKEN_BARE_RE.sub(_REDACTED, redacted)
    if isinstance(obj, dict):
        return {k: _redact_strings(v) for k, v in obj.items()}
    if isinstance(obj, list):
        return [_redact_strings(v) for v in obj]
    if isinstance(obj, tuple):
        return tuple(_redact_strings(v) for v in obj)
    return obj


def redact_telegram_bot_token(event: Event, _hint: dict[str, Any]) -> Event | None:
    """Full-text regex redaction Telegram Bot API токена по ВСЕМУ event (#tgsupport).

    Ловит оба вектора утечки токена в GlitchTip, которые ключ-based `scrub_pii_event`
    не покрывает: locals stack-фреймов (`include_local_variables=True`) и httpx-span
    `data` (полный request URL). Композировать с `scrub_pii_event`, не вместо него —
    разные классы секретов (PII полей формы vs bot-токен в URL).
    """
    if not isinstance(event, dict):
        return event
    return _redact_strings(event)  # type: ignore[return-value]


# ── RetryError fingerprint stabilization (GlitchTip noise-reduction) ────────
# tenacity.RetryError.__str__() тащит repr() последнего Future
# (`RetryError[<Future at 0x7f... state=finished raised HTTPStatusError>]`) —
# memory address объекта, случайный на каждый вызов процесса. Пока geocoder.py
# ретраил Nominatim без `reraise=True`, каждое исчерпание ретраев (Nominatim
# недоступен/rate-limit/403) улетало в GlitchTip как RetryError с этим
# нестабильным текстом → одна и та же причина плодила отдельный issue на КАЖДОЕ
# исчерпание (2 462 issue из 7 461 в трекере на момент фикса). `reraise=True`
# в app/services/geocoder.py устраняет RetryError на этом пути (пробрасывает
# реальное исключение) — но реальное исключение (httpx.HTTPStatusError) само
# несёт нестабильный текст (URL с адресом в query), поэтому group-стабильность
# для geocoder держит НЕ эта функция, а `_HTTPX_ERROR_URL_QUERY_RE` в
# `scrub_pii_event` (см. её комментарий, GlitchTip-noise review round 2 claim #1).
#
# Функция ниже — belt-and-suspenders для ЛЮБОГО кода, который ретраит через
# tenacity БЕЗ `reraise=True` (живой пример на момент фикса: `BaseScraper._http_get`
# в packages/scraper-kit — retry-декоратор НЕ reraise'ит, сознательно оставлен на
# этот фолбэк, а не на URL-стабилизацию: ретраятся listing detail URL БЕЗ query
# string — переменная часть там в ПУТИ (offer id), которую `_HTTPX_ERROR_URL_QUERY_RE`
# не покрывает; см. review round 2 claim #3). Схлопывает RetryError в ОДИН
# persistent issue per (culprit, класс исключения-причины) — culprit обязателен:
# БЕЗ него RetryError с одинаковым типом причины из НЕСВЯЗАННЫХ подсистем (напр.
# geocoder и scraper_kit одновременно ретраят httpx и оба ловят HTTPStatusError)
# схлопнулись бы в ОДИН issue — потеря сигнала хуже исходного шума (review round 2
# claim #2). Источник culprit — `event["logger"]`: sentry_sdk `LoggingIntegration`
# ставит его в имя logger'а (`logging.getLogger(__name__)`, напр.
# "app.services.geocoder" vs "scraper_kit.providers.yandex.detail") на КАЖДОМ
# `logger.exception(...)`/`logger.error(...)` — стабильно per-модуль, не зависит от
# конкретного запроса. Остальная часть fingerprint собрана ТОЛЬКО из стабильных
# данных — имя типа исключения-причины (небольшой фиксированный словарь вроде
# "HTTPStatusError"/"ConnectTimeout") — НИКАКИХ переменных данных запроса (адрес,
# IP, id объявления и т.п.), иначе проблема повторится в других терминах.
def stabilize_retry_error_fingerprint(event: Event, hint: dict[str, Any]) -> Event | None:
    """before_send-хук: схлопывает tenacity.RetryError в один persistent issue per
    (источник, тип причины) — РАЗНЫЕ источники (geocoder / scraper_kit / будущий
    retry-код) НЕ схлопываются друг с другом, даже если тип причины совпадает.

    Определяет тип exception через `hint["exc_info"]` (реальный объект
    исключения, тот же контракт что sentry_sdk передаёт в before_send) — не
    парсит уже сериализованный event dict, надёжнее к изменениям формата SDK.
    `isinstance` (не сравнение `type(...).__name__` со строкой) — иначе любой
    посторонний класс с совпадающим именем ложно матчился бы, а подкласс
    `tenacity.RetryError` — промахивался бы. Не-RetryError события возвращает без
    изменений (OperationalError, алерты scraper sweep'ов и т.п. фильтр не трогает).
    """
    if not isinstance(event, dict):
        return event
    exc_info = hint.get("exc_info") if isinstance(hint, dict) else None
    exc_value = exc_info[1] if exc_info and len(exc_info) > 1 else None
    if not isinstance(exc_value, RetryError):
        return event
    cause = exc_value.__cause__ or exc_value.__context__
    cause_type = type(cause).__name__ if cause is not None else "Unknown"
    culprit = event.get("logger") or event.get("transaction") or "unknown"
    event["fingerprint"] = ["retry-exhausted", str(culprit), cause_type]
    return event