Mirror del Joomla antiguo: versionar los scripts y reponer los assets que faltaban

Los scripts del mirror (00-90) vivian solo en el disco. Van al repo; los datos que
generan no (16 GB entre crawl, snapshot del origen y Joomla restaurado) -> .gitignore.

Nuevo 91-repone-assets404.sh: repone los ficheros que el crawl no capturo porque se
referencian SOLO desde CSS y el crawler seguia enlaces HTML (system.css, los fondos de
fe_adulta_1, ratingstars.gif de K2). Salian como 404 en los logs de nginx del Hetzner.

Descarga por HTTP desde el Joomla local aislado, nunca del filesystem -- mismo principio
que el crawl, para no arrastrar los .php comprometidos del #183 -- y escanea PHP embebido
antes de copiar a site/.

Resultado sobre las 286 rutas unicas con 404 del log: 196 repuestas y verificadas en
produccion (196/196 en 200 tras el rsync), 82 que dan 301->404 tambien en el origen (ya
estaban rotas en la web original) y 8 rutas basura /%22/... de HTML mal formado.

Refs #180

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

mirror-antiguo/scripts/34-clasifica-missing.py

@@ -0,0 +1,64 @@
+#!/usr/bin/env python3
+"""Clasifica missing-pages-sinquery.txt: separa lo que es ruido/codificacion de los huecos reales."""
+import os, re
+from collections import Counter
+from urllib.parse import unquote, urlsplit
+
+BASE = "/home/rafa/joomla-migration/mirror-antiguo"
+RUN = open(os.path.join(BASE, "CURRENT_RUN")).read().strip()
+DIR = os.path.join(BASE, "runs", RUN)
+RAW = os.path.join(DIR, "raw", "antiguo.feadulta.com")
+
+inv = set(l.strip() for l in open(os.path.join(BASE, "inventory", "urls-input.txt")))
+inv_dec = set(unquote(u) for u in inv)
+
+cats = Counter()
+real = []
+for line in open(os.path.join(DIR, "missing-pages-sinquery.txt")):
+    u = line.strip()
+    d = unquote(u)
+    if d in inv_dec:
+        cats["ya_en_inventario (solo difiere la codificacion %XX)"] += 1
+        continue
+    # ¿existe ya el fichero en disco?
+    p = urlsplit(d).path
+    fp = os.path.join(RAW, p.lstrip("/"))
+    if p.endswith("/"):
+        fp = os.path.join(fp, "index.html")
+    if os.path.exists(fp):
+        cats["ya_capturado en disco"] += 1
+        continue
+
+    if "/itemlist/user/" in d:
+        cats["K2 pagina de autor (itemlist/user)"] += 1; real.append(u)
+    elif "/itemlist/tag/" in d:
+        cats["K2 pagina de etiqueta (itemlist/tag)"] += 1; real.append(u)
+    elif "/itemlist/date/" in d or "/itemlist/category" in d:
+        cats["K2 listado (fecha/categoria)"] += 1; real.append(u)
+    elif d.startswith("http://antiguo.feadulta.com/anterior/"):
+        cats["/anterior (web estatica antigua)"] += 1; real.append(u)
+    elif d.startswith("http://antiguo.feadulta.com/ediciones/"):
+        cats["/ediciones"] += 1; real.append(u)
+    elif "/index.php/" in d:
+        cats["enlace no-SEF (index.php/...)"] += 1; real.append(u)
+    elif re.search(r"/ES/|/BUSCADORAVANZADO/", d):
+        cats["enlace roto por mayusculas"] += 1
+    else:
+        cats["OTROS - revisar"] += 1; real.append(u)
+
+for k, v in cats.most_common():
+    print("%7d  %s" % (v, k))
+print()
+out = os.path.join(DIR, "missing-real.txt")
+with open(out, "w") as f:
+    for u in sorted(set(real)):
+        f.write(u + "\n")
+print("candidatos reales ->", out, len(set(real)))
+
+print("\n--- muestra de OTROS ---")
+n = 0
+for u in sorted(set(real)):
+    d = unquote(u)
+    if not any(s in d for s in ("/itemlist/", "/anterior/", "/ediciones/", "/index.php/")):
+        print("  ", u); n += 1
+        if n >= 20: break