fixtures: .doc originales de Fray Marcos (#209)

Los 30 .doc tal cual llegan por correo, de la carta 713 a la 740, para poder
reproducir el borrado silencioso por <w:smartTag> y diffear contra lo publicado.
Pedidos por Rafa en el #209, donde el barrido quedó bloqueado sin ellos.

scripts/doc_convert.py

@@ -0,0 +1,79 @@
+"""doc_convert.py — convierte un .doc viejo a .docx usando Microsoft Word (COM).
+
+Necesario para Marcos (marroro@telefonica.net), que envía .doc (Word antiguo) y
+python-docx no sabe leer .doc. El contenido ya viene en EML (lo etiqueta Inma al
+revisar); aquí solo cambiamos el FORMATO de archivo.
+
+Requiere Microsoft Word instalado + pywin32 (igual que marcos_review).
+API: doc_to_docx(path, force=False) -> Path | None
+"""
+from __future__ import annotations
+
+from pathlib import Path
+
+WD_FORMAT_DOCX = 16  # wdFormatDocumentDefault (.docx)
+
+
+def doc_to_docx(path, force: bool = False):
+    """Convierte un .doc a .docx con Word COM. Idempotente: si el .docx ya existe y
+    no force, lo devuelve sin reconvertir. Devuelve la ruta .docx, o None si falla."""
+    path = Path(path)
+    if path.suffix.lower() != ".doc":
+        return None
+    out = path.with_suffix(".docx")
+    if out.exists() and not force:
+        return out
+    try:
+        import win32com.client  # type: ignore
+    except ImportError:
+        return None
+    word = win32com.client.Dispatch("Word.Application")
+    word.Visible = False
+    try:
+        d = word.Documents.Open(str(path))
+        d.SaveAs(str(out), FileFormat=WD_FORMAT_DOCX)
+        d.Close(SaveChanges=False)
+    finally:
+        word.Quit()
+    if out.exists():
+        quitar_smarttags(out)
+    return out if out.exists() else None
+
+
+def quitar_smarttags(docx_path) -> int:
+    """Desenvuelve los <w:smartTag> del .docx. Devuelve cuántos ha quitado.
+
+    ⚠️ CRÍTICO, no es cosmético. Los .doc de Fray Marcos traen `smartTag` (el viejo
+    reconocimiento de nombres de Word) envolviendo expresiones como "la Iglesia" o
+    "la Cananea". **python-docx solo lee los <w:r> que cuelgan directamente del párrafo,
+    así que el texto de dentro del smartTag DESAPARECE sin dar error**: se publicaron
+    frases mutiladas en las cartas 736, 737 y 739 ("...no va dirigida a los apóstoles,
+    sino a dureza de la respuesta..."). Detectado el 12-ago-2026.
+    """
+    import re, shutil, zipfile
+    from pathlib import Path
+
+    docx_path = Path(docx_path)
+    with zipfile.ZipFile(docx_path) as z:
+        piezas = {n: z.read(n) for n in z.namelist()}
+    xml = piezas.get("word/document.xml", b"").decode("utf-8", "replace")
+    nuevo, n = re.subn(r"</?w:smartTag(?:Pr)?\b[^>]*>|<w:attr\b[^>]*/>", "", xml)
+    if not n:
+        return 0
+    piezas["word/document.xml"] = nuevo.encode("utf-8")
+    tmp = docx_path.with_suffix(".docx.tmp")
+    with zipfile.ZipFile(tmp, "w", zipfile.ZIP_DEFLATED) as z:
+        for nombre, datos in piezas.items():
+            z.writestr(nombre, datos)
+    shutil.move(str(tmp), str(docx_path))
+    return n
+
+
+if __name__ == "__main__":
+    import sys
+    if len(sys.argv) < 2:
+        print("uso: python doc_convert.py path/al/archivo.doc", file=sys.stderr)
+        sys.exit(2)
+    res = doc_to_docx(Path(sys.argv[1]), force="--force" in sys.argv)
+    print(f"OK: {res}" if res else "FALLO (¿Word/pywin32?)")
+    sys.exit(0 if res else 1)

tests/fixtures/fray-marcos/README.md

@@ -0,0 +1,69 @@
+# `.doc` originales de Fray Marcos
+
+Los 30 ficheros `.doc` (Word binario antiguo) tal y como los envía Fray Marcos por correo a
+`ediciones@feadulta.com`, sin tocar. Subidos a petición de Rafa en el **issue #209**, para poder
+reproducir y diffear desde este lado el problema de los `<w:smartTag>`.
+
+## Por qué están aquí
+
+`python-docx` **no lee el texto que va dentro de un `<w:smartTag>`**: lo salta sin dar error. Los `.doc`
+de Fray Marcos arrastran esas etiquetas heredadas de versiones viejas de Word envolviendo expresiones
+como «la Iglesia» o «la Cananea», así que al convertirlos se publicaban frases con palabras borradas en
+silencio. Está corregido en `scripts/doc_convert.py` con `quitar_smarttags()`.
+
+Ojo: la cadena `smartTag` **no aparece en el binario `.doc`**; surge al convertirlo a `.docx`, que es
+formato OOXML. Para verlas hay que convertir primero.
+
+## Cómo reproducir
+
+```bash
+python scripts/doc_convert.py "tests/fixtures/fray-marcos/739_8r_Marcos_d 20 la Cananea.doc"
+```
+
+Requiere Word instalado (la conversión va por COM). `doc_convert.py` desenvuelve los smartTag y hace el
+reemplazo con reintentos, porque Dropbox bloquea el fichero unos segundos justo después de que Word lo
+cree (WinError 1224).
+
+## Alcance del problema (barrido cerrado en el #209)
+
+De los 30 `.doc` revisados, 20 traían smartTag y sumaban 46 fragmentos envueltos, pero solo **3
+artículos publicados quedaron dañados** (posts `53981`, `55078` y `55659`), ya reparados en producción.
+Los comentarios de febrero a junio están intactos porque se publicaron por la vía de la migración de
+Joomla, no desde el `.docx`; solo quedó expuesto lo publicado por Mixbot desde julio.
+
+## Inventario
+
+El prefijo numérico es el número de carta; el resto es el nombre original del fichero.
+
+| carta | semana | fichero original |
+|---:|---|---|
+| 713 | semana_VI_TO | `713_8r_Marcos_d 06 plenitud de ley.doc` |
+| 714 | semana_I_Cuaresma | `714_8r_Marcos_Cuar 1 tentaciones.doc` |
+| 715 | semana_II_Cuaresma | `715_8r_Marcos_Cuar 2 Transfigurac.doc` |
+| 716 | semana_III_Cuaresma | `716_8r_Marcos_Cuar 3 Samaritana.doc` |
+| 717 | semana_IV_Cuaresma | `717_8r_Marcos_Cuar 4 ciego de naci.doc` |
+| 718 | semana_V_Cuaresma | `718_8r_Marcos_Cuar 5 Lázaro.doc` |
+| 719 | semana_Domingo_Ramos | `719_8r_Marcos_Cuar 6 Ramos.doc` |
+| 720 | semana_Santa | `720_8r_Marcos_JUEVES SANTO.doc` |
+| 720 | semana_Santa | `720_8r_Marcos_Pasc 1 resucitó.doc` |
+| 720 | semana_Santa | `720_8r_Marcos_VIERNES SANTO.doc` |
+| 721 | semana_II_Pascua | `721_8r_Marcos_Pasc 2 Tomás.doc` |
+| 722 | semana_III_Pascua | `722_8r_Marcos_Pasc 3 Emaús.doc` |
+| 723 | semana_IV_Pascua | `723_8r_Marcos_Pasc 4 pastor modelo.doc` |
+| 724 | semana_V_Pascua | `724_8r_Marcos_Pasc 5 camino,verdad,vida.doc` |
+| 725 | semana_VI_Pascua | `725_8r_Marcos_Pasc 6 El Paráclito.doc` |
+| 726 | semana_VII_Pascua | `726_8r_Marcos_Pasc 7 ascensión.doc` |
+| 727 | semana_Pentecostes | `727_8r_Marcos_PENTECOSTÉS.doc` |
+| 728 | semana_Trinidad | `728_8r_Marcos_TRINIDAD.doc` |
+| 729 | semana_Corpus | `729_8r_Marcos_CORPUS.doc` |
+| 730 | semana_11_TO | `730_8r_Marcos_d 11 misión de los 12.doc` |
+| 731 | semana_12_TO | `731_8r_Marcos_d 12 no tengas miedo.doc` |
+| 732 | semana_13_TO | `732_8r_Marcos_d 13 amor a Dios o família.doc` |
+| 733 | semana_14_TO | `733_8r_Marcos_d 14 sencillez.doc` |
+| 734 | semana_15_TO | `734_8r_Marcos_d 15 sembrador.doc` |
+| 735 | semana_16_TO | `735_8r_Marcos_d 16 cizaña.doc` |
+| 736 | semana_17_TO | `736_8r_Marcos_d 17 tesoro y perla.doc` |
+| 737 | semana_18_TO | `737_8r_Marcos_d 18 panes y peces.doc` |
+| 738 | semana_19_TO | `738_8r_Marcos_d 19 Qué poca fe.doc` |
+| 739 | semana_20_TO | `739_8r_Marcos_d 20 la Cananea.doc` |
+| 740 | semana_21_TO | `740_8r_Marcos_d 21 quién es Jesús.doc` |