chore(verify): recuperar enum_urls.php y commitear tooling de verificación #121

El enumerador de URLs no se había commiteado y se perdió. Recuperado reproduciendo la composición de la corrida previa (menús×5 idiomas + categorías con contenido + contenido no-ES). Se añade también classify_gaps.py (clasifica huecos: traducir vs descargar) y run_all.sh. Outputs y .venv quedan en .gitignore. Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
2026-06-22 08:30:18 -04:00
parent 863a3c6677
commit 66ee943da4
10 changed files with 582 additions and 0 deletions
@@ -0,0 +1,88 @@
+<?php
+/**
+ * enum_urls.php — Enumera las URLs del sitio para el crawler de verificación (#121).
+ *
+ * Recuperado 2026-06-22 (el original no se había commiteado y se perdió). Reproduce
+ * la composición de la corrida previa: menús×5 idiomas + categorías con contenido +
+ * todo el contenido no-ES (el ES masivo ~24k se omite por volumen).
+ *
+ * Uso (dentro del contenedor, carga wp-load):
+ *   docker cp enum_urls.php wordpress-web:/tmp/ && \
+ *   docker exec wordpress-web php /tmp/enum_urls.php && \
+ *   docker cp wordpress-web:/tmp/verify_urls.json urls.json
+ *
+ * Salida: /tmp/verify_urls.json — array de {url, lang, kind, id}.
+ */
+
+require_once '/var/www/html/wp-load.php';
+
+$LANGS = ['es', 'en', 'fr', 'it', 'pt'];
+$out = [];
+$seen = [];
+
+function add(&$out, &$seen, $url, $lang, $kind, $id) {
+    $url = trailingslashit($url);
+    $k = $lang . '|' . $url;
+    if (isset($seen[$k])) return;
+    $seen[$k] = true;
+    $out[] = ['url' => $url, 'lang' => $lang, 'kind' => $kind, 'id' => (int) $id];
+}
+
+// ── 1) MENÚ: 31 rutas base × 5 idiomas ───────────────────────────────────────
+// Rutas del menú principal (wp_navigation ID 1). Para no-ES se prefija /{lang}/;
+// el crawler sigue redirecciones cross-idioma y las marca.
+$menu_paths = [
+    '', 'colaboradores', 'portal', 'paraponeraldialafe', 'category/cartasemana',
+    'category/carta-semana-pasada', 'category/cartas-de-otras-semanas',
+    'nueva-politica-de-privacidad', 'contactar', 'alta', 'alta-en-effa', 'escuela',
+    'category/cartas-que-nos-llegan', 'category/tablon-de-anuncios',
+    'category/asociacion-feadulta', 'numeros', 'category/comunidades-cristianas',
+    'evangelio-diario-2024', 'category/indice-cronologico',
+    'category/evangelios-y-comentarios', 'oraciones-eucaristicas', 'a-modo-de-salmo',
+    'preces-y-oraciones-varias', 'te-creia-un-capricho-mas', 'autores-lista', 'temas',
+    'multimedia', 'pensamientos', 'indice-cantoral', 'peliculas', 'in-memoriam',
+];
+$home = home_url('/'); // .../fea/
+foreach ($LANGS as $lang) {
+    $prefix = ($lang === 'es') ? $home : $home . $lang . '/';
+    foreach ($menu_paths as $p) {
+        add($out, $seen, $p === '' ? $prefix : $prefix . $p, $lang, 'menu', 0);
+    }
+}
+
+// ── 2) CATEGORÍAS con contenido ──────────────────────────────────────────────
+// ES: todas las categorías hide_empty. no-ES: solo las que tienen traducción.
+$terms = get_terms(['taxonomy' => 'category', 'hide_empty' => true]);
+foreach ($terms as $t) {
+    $link = get_term_link($t);
+    if (!is_wp_error($link)) add($out, $seen, $link, 'es', 'category', $t->term_id);
+    if (function_exists('pll_get_term')) {
+        foreach (['en', 'fr', 'it', 'pt'] as $lang) {
+            $tr = pll_get_term($t->term_id, $lang);
+            if ($tr) {
+                $l = get_term_link((int) $tr, 'category');
+                if (!is_wp_error($l)) add($out, $seen, $l, $lang, 'category', $tr);
+            }
+        }
+    }
+}
+
+// ── 3) CONTENIDO no-ES (posts publicados en en/fr/it/pt) ─────────────────────
+foreach (['en', 'fr', 'it', 'pt'] as $lang) {
+    $q = new WP_Query([
+        'post_type'      => 'post',
+        'post_status'    => 'publish',
+        'posts_per_page' => -1,
+        'fields'         => 'ids',
+        'lang'           => $lang,
+        'no_found_rows'  => true,
+    ]);
+    foreach ($q->posts as $pid) {
+        add($out, $seen, get_permalink($pid), $lang, 'content', $pid);
+    }
+}
+
+file_put_contents('/tmp/verify_urls.json', json_encode($out, JSON_UNESCAPED_SLASHES | JSON_UNESCAPED_UNICODE));
+$by = [];
+foreach ($out as $r) { $by[$r['kind']] = ($by[$r['kind']] ?? 0) + 1; }
+fwrite(STDERR, 'enum: ' . count($out) . ' URLs ' . json_encode($by) . "\n");