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 +1,64 @@
+#!/usr/bin/env python3
+"""Antes de tocar nada: que hay realmente dentro de los bloques sociales del mirror."""
+import os, re
+from collections import Counter
+
+BASE = "/home/rafa/joomla-migration/mirror-antiguo"
+RUN = open(os.path.join(BASE, "CURRENT_RUN")).read().strip()
+SITE = os.path.join(BASE, "runs", RUN, "site", "antiguo.feadulta.com")
+
+OPEN = re.compile(r'<div\b[^>]*class="[^"]*itemSocialSharing[^"]*"[^>]*>', re.I)
+DIV = re.compile(r'<div\b[^>]*>|</div>', re.I)
+CLASS = re.compile(r'<div\b[^>]*class="([^"]+)"', re.I)
+SCRIPTSRC = re.compile(r'<script[^>]+src="([^"]+)"', re.I)
+
+def bloque(html, m):
+    """Devuelve (inicio, fin) del div equilibrado que empieza en m."""
+    depth, pos = 0, m.start()
+    for d in DIV.finditer(html, m.start()):
+        if d.group(0).lower().startswith("</"):
+            depth -= 1
+            if depth == 0:
+                return m.start(), d.end()
+        else:
+            depth += 1
+    return None
+
+clases, scripts, sin_bloque, con_bloque = Counter(), Counter(), 0, 0
+n = 0
+for root, _d, files in os.walk(SITE):
+    for fn in files:
+        if not fn.split("?", 1)[0].lower().endswith((".html", ".htm")):
+            continue
+        p = os.path.join(root, fn)
+        try:
+            html = open(p, encoding="utf-8", errors="replace").read()
+        except OSError:
+            continue
+        if "itemSocialSharing" not in html:
+            continue
+        n += 1
+        if n > 400:
+            break
+        for m in OPEN.finditer(html):
+            r = bloque(html, m)
+            if not r:
+                sin_bloque += 1
+                continue
+            con_bloque += 1
+            frag = html[r[0]:r[1]]
+            for c in CLASS.findall(frag):
+                clases[c.strip()] += 1
+            for s in SCRIPTSRC.findall(frag):
+                scripts[s.split("?")[0]] += 1
+    if n > 400:
+        break
+
+print("paginas inspeccionadas con itemSocialSharing:", n)
+print("bloques equilibrados:", con_bloque, " sin cerrar:", sin_bloque)
+print("\n--- clases de div dentro del bloque ---")
+for k, v in clases.most_common(15):
+    print("%7d  %s" % (v, k))
+print("\n--- scripts dentro del bloque ---")
+for k, v in scripts.most_common(15):
+    print("%7d  %s" % (v, k))