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>
2026-07-31 14:04:31 -04:00
parent 69e849d38e
commit 275aff1430
71 changed files with 2667 additions and 0 deletions
@@ -0,0 +1,77 @@
+#!/usr/bin/env python3
+"""§4.3, último punto del plan: contrastar páginas capturadas contra Internet Archive.
+
+No compara el texto (una instantánea de hace años difiere por fuerza: fechas, barras laterales,
+bloques rotativos). Compara lo que de verdad delata una inyección: **el conjunto de hosts externos
+a los que la página carga scripts o iframes**. Si nuestra captura referencia hosts que la versión
+histórica no tenía, hay que mirarlo.
+"""
+import os, re, json, sys, urllib.request, random
+from collections import Counter
+from urllib.parse import urlsplit, unquote
+
+BASE = "/home/rafa/joomla-migration/mirror-antiguo"
+RUN = open(os.path.join(BASE, "CURRENT_RUN")).read().strip()
+DIR = os.path.join(BASE, "runs", RUN)
+SITE = os.path.join(DIR, "site", "antiguo.feadulta.com")
+N = int(sys.argv[1]) if len(sys.argv) > 1 else 10
+
+SRC = re.compile(r'<(?:script|iframe)[^>]+src=["\']((?:https?:)?//[^"\'/]+)', re.I)
+UA = {"User-Agent": "feadulta-archiver/1.0 (verificacion de integridad; incident-183)"}
+
+def hosts(html):
+    out = set()
+    for m in SRC.findall(html):
+        h = m.split("//", 1)[-1].lower()
+        # web.archive.org reescribe los recursos: nos quedamos con el host original
+        if h.startswith("web.archive.org"):
+            continue
+        out.add(h)
+    return out
+
+# candidatas: URLs /es/ que Wayback conoce Y que tenemos capturadas
+cand = []
+for fn in ("wayback-antiguo.txt", "wayback-feadulta.txt"):
+    for line in open(os.path.join(BASE, "inventory", fn), errors="replace"):
+        u = line.strip()
+        s = urlsplit(u)
+        if s.query or not s.path.startswith("/es/") or not s.path.endswith(".html"):
+            continue
+        p = unquote(s.path).lstrip("/")
+        if os.path.isfile(os.path.join(SITE, p)):
+            cand.append((u, p))
+
+random.seed(20260730)
+sample = random.sample(cand, min(N, len(cand)))
+print("candidatas:", len(cand), "- muestra:", len(sample), "\n")
+
+res, extra_total = [], Counter()
+for url, rel in sample:
+    local = open(os.path.join(SITE, rel), encoding="utf-8", errors="replace").read()
+    hl = hosts(local)
+    try:
+        req = urllib.request.Request("https://web.archive.org/web/2id_/" + url, headers=UA)
+        arch = urllib.request.urlopen(req, timeout=90).read().decode("utf-8", "replace")
+        ha = hosts(arch)
+        estado = "ok"
+    except Exception as e:
+        ha, estado = set(), "sin snapshot (%s)" % type(e).__name__
+    extra = hl - ha
+    if estado == "ok":
+        for h in extra:
+            extra_total[h] += 1
+    print("%-70s %s" % (rel[-68:], estado))
+    if estado == "ok" and extra:
+        print("     hosts solo en nuestra captura:", ", ".join(sorted(extra)))
+    res.append({"url": url, "estado": estado, "hosts_mirror": sorted(hl),
+                "hosts_wayback": sorted(ha), "solo_en_mirror": sorted(extra)})
+
+print("\n--- hosts presentes solo en nuestra captura (agregado) ---")
+if extra_total:
+    for h, c in extra_total.most_common():
+        print("%4d  %s" % (c, h))
+else:
+    print("ninguno")
+
+json.dump(res, open(os.path.join(DIR, "wayback-contraste.json"), "w"), indent=2, ensure_ascii=False)
+print("\ninforme:", os.path.join(DIR, "wayback-contraste.json"))