#!/usr/bin/env bash
# Descarga un texto en español de dominio público para el smoke test (Etapa 0).
#
# No es corpus de entrenamiento: son unos pocos MB para verificar en minutos que
# CUDA, el entrenador, el checkpointing y la reanudación funcionan antes de
# comprometer días de cómputo.
set -euo pipefail

DESTINO="${1:-data/smoke/texto.txt}"
mkdir -p "$(dirname "$DESTINO")"

if [[ -s "$DESTINO" ]]; then
    echo "[enlace] ya existe $DESTINO ($(wc -c <"$DESTINO") bytes); no se baja de nuevo."
    exit 0
fi

# Don Quijote — dominio público, español, y suficientemente largo.
URLS=(
    "https://www.gutenberg.org/cache/epub/2000/pg2000.txt"
    "https://www.gutenberg.org/files/2000/2000-0.txt"
)

for url in "${URLS[@]}"; do
    echo "[enlace] bajando $url"
    if curl -fsSL --max-time 120 "$url" -o "$DESTINO"; then
        echo "[enlace] listo: $DESTINO ($(wc -c <"$DESTINO") bytes)"
        exit 0
    fi
done

echo "[enlace] no se pudo descargar el texto. Alternativa: copiar cualquier" >&2
echo "         archivo .txt en español a $DESTINO (unos pocos MB alcanzan)." >&2
exit 1