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/45-normalize-links.py

@@ -0,0 +1,110 @@
+#!/usr/bin/env python3
+"""§3.5 del plan: deriva `site/` a partir de `raw/` (que queda intacto).
+
+- Reescribe los enlaces absolutos a `antiguo.feadulta.com` como raiz-relativos, para que el mirror
+  funcione bajo cualquier hostname (p.ej. legacy.rafacalvo.nyc).
+- Deja intactos los enlaces externos (incluido www.feadulta.com, que ahora es WordPress).
+- Neutraliza los formularios que apuntan a endpoints PHP vivos: quedan inertes y con aviso.
+- Descarta las vistas de impresion (`?tmpl=component&print=1`), que duplican paginas ya capturadas.
+- Deja una copia sin la query en el nombre para los ficheros que wget guardo como `app.js?hash`
+  o `titulo?.html` (alias con '?' literal): un servidor estatico busca el nombre sin query.
+
+Uso: 45-normalize-links.py [--no-copy]   (--no-copy reaprovecha el site/ existente)
+"""
+import os, re, json, shutil, sys
+from collections import Counter
+
+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, SITE = os.path.join(DIR, "raw"), os.path.join(DIR, "site")
+
+HOSTABS = re.compile(rb'(?:https?:)?//antiguo\.feadulta\.com', re.I)
+FORM = re.compile(rb'<form\b[^>]*>', re.I)
+ACTION = re.compile(rb'action\s*=\s*["\']([^"\']*)["\']', re.I)
+
+AVISO = (b'<div style="background:#ffe9e9;border:1px solid #c00;padding:8px;margin:8px 0;'
+         b'font:13px sans-serif">Archivo hist\xc3\xb3rico: este formulario no est\xc3\xa1 '
+         b'operativo.</div>')
+
+TEXTEXT = (".html", ".htm", ".css", ".js")
+
+
+def basename_sin_query(fn):
+    """`app.js?hash` -> `app.js`;  `titulo?.html` -> `titulo`.  Sin '?' devuelve el propio nombre."""
+    return fn.split("?", 1)[0]
+
+
+def paso1_nombres_con_query(stats):
+    """Se ejecuta ANTES de reescribir: descarta impresiones y crea las copias de nombre limpio."""
+    for root, _d, files in os.walk(SITE):
+        for fn in list(files):
+            if "?" not in fn:
+                continue
+            src = os.path.join(root, fn)
+            if "print=1" in fn:
+                os.remove(src)
+                stats["vistas_impresion_descartadas"] += 1
+                continue
+            base = basename_sin_query(fn)
+            if not base:
+                continue
+            dst = os.path.join(root, base)
+            if not os.path.exists(dst):
+                shutil.copy2(src, dst)
+                stats["copias_con_nombre_limpio"] += 1
+
+
+def paso2_reescribe(stats):
+    for root, _d, files in os.walk(SITE):
+        for fn in files:
+            # la extension se mira sobre el nombre SIN query: `x.html?foo` sigue siendo HTML
+            base = basename_sin_query(fn).lower()
+            if not base.endswith(TEXTEXT):
+                continue
+            p = os.path.join(root, fn)
+            try:
+                data = open(p, "rb").read()
+            except OSError:
+                continue
+            orig = data
+
+            data, n = HOSTABS.subn(b"", data)
+            stats["enlaces_absolutos_reescritos"] += n
+
+            if base.endswith((".html", ".htm")):
+                def fix_form(m):
+                    tag = m.group(0)
+                    a = ACTION.search(tag)
+                    if a and b".php" in a.group(1):
+                        stats["formularios_neutralizados"] += 1
+                        return ACTION.sub(b'action="#" onsubmit="return false"', tag) + AVISO
+                    return tag
+                data = FORM.sub(fix_form, data)
+
+            if data != orig:
+                open(p, "wb").write(data)
+                stats["ficheros_modificados"] += 1
+
+
+def main():
+    if "--no-copy" not in sys.argv:
+        if os.path.exists(SITE):
+            print("site/ ya existe, lo borro"); shutil.rmtree(SITE)
+        print("copiando raw/ -> site/ ...")
+        shutil.copytree(RAW, SITE)
+    else:
+        print("reaprovechando site/ existente")
+
+    stats = Counter()
+    paso1_nombres_con_query(stats)
+    paso2_reescribe(stats)
+
+    out = os.path.join(DIR, "link-rewrite.json")
+    json.dump(dict(stats), open(out, "w"), indent=2, ensure_ascii=False)
+    print(json.dumps(dict(stats), indent=2, ensure_ascii=False))
+    print("informe:", out)
+
+
+if __name__ == "__main__":
+    main()