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/50-parity.py

@@ -0,0 +1,83 @@
+#!/usr/bin/env python3
+"""Fase 5 (local): paridad entre el fichero capturado y lo que sirve ahora el Joomla local.
+
+Detecta capturas truncadas, paginas de error congeladas y desfases de contenido.
+No toca produccion.
+"""
+import os, re, sys, random, hashlib, subprocess, json
+from urllib.parse import 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")
+N = int(sys.argv[1]) if len(sys.argv) > 1 else 200
+
+TITLE = re.compile(r"<title[^>]*>(.*?)</title>", re.I | re.S)
+SCRIPTS = re.compile(r"<(script|style)[^>]*>.*?</\1>", re.I | re.S)
+TAGS = re.compile(r"<[^>]+>")
+WS = re.compile(r"\s+")
+# bloques que cambian entre peticiones. El contador de visitas de K2 ("Read N times") se
+# incrementa con nuestra propia peticion, asi que dos lecturas de la MISMA pagina nunca coinciden:
+# se normaliza en vez de contarlo como diferencia.
+VOLATILE = re.compile(r"[0-9a-f]{32}|csrf|token", re.I)
+HITS = re.compile(r"(Read|Visto|Le[ií]do)\s+\d+\s+(times|veces)", re.I)
+
+def texthash(s):
+    s = SCRIPTS.sub(" ", s)
+    s = TAGS.sub(" ", s)
+    s = WS.sub(" ", s).strip()
+    s = VOLATILE.sub("", s)
+    s = HITS.sub("HITS", s)
+    return hashlib.sha256(s.encode("utf-8", "replace")).hexdigest(), len(s)
+
+def title(s):
+    m = TITLE.search(s)
+    return WS.sub(" ", m.group(1)).strip() if m else ""
+
+urls = [l.strip() for l in open(os.path.join(BASE, "inventory", "urls-input.txt"))]
+random.seed(20260729)
+sample = random.sample(urls, min(N, len(urls)))
+
+res = {"muestra": len(sample), "ok_status": 0, "falta_fichero": 0,
+       "titulo_igual": 0, "titulo_distinto": 0, "texto_igual": 0, "texto_distinto": 0,
+       "diffs": []}
+
+for u in sample:
+    path = urlsplit(u).path
+    fp = os.path.join(RAW, path.lstrip("/"))
+    if path.endswith("/"):
+        fp = os.path.join(fp, "index.html")
+    if not os.path.exists(fp):
+        res["falta_fichero"] += 1
+        res["diffs"].append({"url": u, "motivo": "fichero ausente"})
+        continue
+    res["ok_status"] += 1
+    disk = open(fp, encoding="utf-8", errors="replace").read()
+    live = subprocess.run(
+        ["curl", "-s", "--max-time", "60", "-H", "Host: antiguo.feadulta.com",
+         "http://127.0.0.1:8086" + path],
+        capture_output=True).stdout.decode("utf-8", "replace")
+
+    td, tl = title(disk), title(live)
+    if td == tl:
+        res["titulo_igual"] += 1
+    else:
+        res["titulo_distinto"] += 1
+        res["diffs"].append({"url": u, "motivo": "titulo", "mirror": td[:120], "vivo": tl[:120]})
+
+    hd, ld = texthash(disk)
+    hl, ll = texthash(live)
+    if hd == hl:
+        res["texto_igual"] += 1
+    else:
+        res["texto_distinto"] += 1
+        res["diffs"].append({"url": u, "motivo": "texto", "len_mirror": ld, "len_vivo": ll})
+
+out = os.path.join(DIR, "parity-report.json")
+json.dump(res, open(out, "w"), indent=2, ensure_ascii=False)
+for k in ("muestra", "falta_fichero", "titulo_igual", "titulo_distinto", "texto_igual", "texto_distinto"):
+    print(k, "=", res[k])
+print("informe:", out)
+for d in res["diffs"][:15]:
+    print(" ", d)