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/40-manifest-scan.sh

@@ -0,0 +1,40 @@
+#!/bin/bash
+# Fase 3: manifiestos sha256 + escaneo de seguridad del propio mirror (§4.3 del plan)
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+cd "$DIR"
+
+echo "=== manifiesto raw ==="
+( cd raw && find . -type f -print0 | sort -z | xargs -0 sha256sum ) > MANIFEST-raw.sha256
+wc -l < MANIFEST-raw.sha256
+du -sh raw
+
+echo
+echo "=== 1. ficheros con PHP ejecutable ==="
+grep -rl '<?php' raw > scan-php.txt 2>/dev/null
+wc -l < scan-php.txt
+
+echo "=== 2. patrones tipicos de inyeccion ==="
+grep -rlE 'eval\(|atob\(|document\.write\(unescape|fromCharCode' raw > scan-suspicious.txt 2>/dev/null
+wc -l < scan-suspicious.txt
+
+echo "=== 3. paginas de challenge/error congeladas ==="
+grep -rli 'Attention Required\|Just a moment\|Not Acceptable\|mod_security\|Internal Server Error' raw > scan-garbage.txt 2>/dev/null
+wc -l < scan-garbage.txt
+
+echo "=== 4. hosts externos en script/iframe ==="
+grep -rhoE '<(script|iframe)[^>]+src="https?://[^"/]+' raw \
+  | grep -oE 'https?://[^"/]+' | sort | uniq -c | sort -rn > scan-external-script-hosts.txt
+head -25 scan-external-script-hosts.txt
+
+echo
+echo "=== 5. cobertura frente al inventario ==="
+find raw/antiguo.feadulta.com -type f -name '*.html' \
+  | sed 's#^raw/antiguo.feadulta.com#http://antiguo.feadulta.com#' | sort -u > captured-pages.txt
+comm -23 <(sort -u "$BASE/inventory/urls-input.txt" | sed 's#/es/$#/es/index.html#') captured-pages.txt > coverage-missing.txt
+echo "inventario:  $(wc -l < "$BASE/inventory/urls-input.txt")"
+echo "capturadas:  $(wc -l < captured-pages.txt)"
+echo "sin capturar (aprox): $(wc -l < coverage-missing.txt)"
+head -20 coverage-missing.txt