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>

.gitignore

@@ -57,3 +57,11 @@ tools/e2e/out/
 
 # Akeeba Kickstart (tool de restauración, no es código del repo)
 tools/akeeba-kickstart/
+
+# Mirror del Joomla antiguo: los scripts SÍ van al repo, los datos NO (16 GB entre
+# el crawl, el snapshot del origen y el Joomla restaurado)
+mirror-antiguo/runs/
+mirror-antiguo/source/
+mirror-antiguo/restore/
+mirror-antiguo/smoke/
+mirror-antiguo/inventory/

mirror-antiguo/CURRENT_RUN

@@ -0,0 +1 @@
+20260729T224708Z

mirror-antiguo/README.md

@@ -0,0 +1,76 @@
+# mirror-antiguo — mirror estático del Joomla legacy de feadulta
+
+Construcción del mirror HTML read-only de `antiguo.feadulta.com` (issue
+[rafa/feadulta#180](https://gitea.feadulta.com/rafa/feadulta/issues/180), remediación de #183).
+
+**Regla de diseño:** el mirror se genera **solo por HTTP**, nunca copiando el filesystem. Así es
+imposible arrastrar los `.php` comprometidos del incidente. Lo que se captura es lo que Joomla
+*renderiza*.
+
+## Origen del crawl
+
+No es producción: es el **Joomla legacy restaurado en local**.
+
+| | |
+|---|---|
+| Contenedor | `joomla-mirror-web` (`php:7.4-apache`), red `joomla-migration_joomla-net`, IP `172.20.0.5` |
+| Acceso | `http://127.0.0.1:8086` o `http://antiguo.feadulta.com` (entrada en `/etc/hosts` → 172.20.0.5) |
+| BD | `joomla_mirror` dentro del contenedor `joomla-mysql` |
+| Snapshot fuente | `source/antiguo-20260729.tar.gz` + `source/fejoomla3-20260729.sql.gz`, hashes en `MANIFEST-source.sha256` |
+
+⚠️ La imagen base necesitó `mysqli`, `pdo_mysql`, `gd`, `zip` y `mod_rewrite` instalados en caliente:
+**se pierden si el contenedor se recrea**, no si solo se para/arranca. Para cambiar memoria o política
+de reinicio usar `docker update`, nunca `docker rm` + `docker run`.
+
+⚠️ WSL2 se apaga cuando no queda ninguna sesión abierta desde Windows, y al apagarse para los
+contenedores. Antes de un proceso de horas, dejar un proceso ancla vivo en WSL.
+
+## Datos del sitio
+
+- SEF: `sef=1`, `sef_rewrite=1`, `sef_suffix=1` → las URLs terminan en `.html`.
+- Un solo idioma de contenido publicado: `es-ES` (sef `es`); todo el contenido es `language='*'`.
+  El sitio hace **301 de `/x` → `/es/x`**, así que el inventario se genera ya con `/es/`.
+- Solo 2 categorías K2 y un único ítem de menú de K2: `buscadoravanzado` (Itemid 138).
+  Las URLs de ítem son `/es/buscadoravanzado/item/<id>-<alias>.html`.
+- 16.269 ítems K2 publicados · 9.079 artículos com_content · 216 ítems de menú · 68 categorías.
+
+## Método
+
+El inventario **no se reconstruye a mano**: lo genera el propio router de Joomla. `_genurls.php`
+(en la raíz del sitio restaurado) arranca el framework por HTTP y llama a `JRoute::_()` y
+`K2HelperRoute::getItemRoute()`, así que las URLs son idénticas a las que el sitio imprime.
+
+Cuatro pases, todos acotados por listas — **nunca por recursión libre** (ver post-mortem del
+2026-07-29 en #180 comment-497):
+
+| Pase | Qué captura | Script |
+|---|---|---|
+| A | Las 25.437 URLs del inventario | `21-crawl-html.sh` |
+| B | Recursos (css/js/img/mp3/pdf) referenciados por el HTML capturado | `30-extract-links.py` + `31-fetch-assets.sh` |
+| C | Huecos: rutas de menú alternativas, páginas de autor de K2, `/anterior`, `/ediciones` | `43-pendientes.sh` |
+| D | `/anterior`, la web estática anterior a Joomla (HTML plano, recursión finita) | `37-pase-d-anterior.sh` |
+
+`raw/` es **inmutable**. `site/` es el derivado servible (`45-normalize-links.py`).
+
+## Trampas encontradas (y cómo se resuelven)
+
+1. **Paginación de K2**: los enlaces acumulan `&start=` en vez de reemplazarlo → espacio de URLs
+   infinito. Es lo que tumbó la VM el 29-jul. Se evita capturando por inventario, y el
+   `--reject-regex` incluye `start|limitstart|limit|print|tmpl|format|searchword|task|orderby|filter`.
+2. **Alias con `?` literal**: ~198 artículos tienen el signo de interrogación dentro del alias
+   (`...-dios-nos-ama?.html`). Para cualquier cliente HTTP eso es el separador de query, así que la
+   ruta real es la parte anterior al `?` y wget guarda un fichero **sin extensión**. Es correcto para
+   servirlo estáticamente, pero nginx necesita `default_type text/html` en esa ubicación o el
+   navegador se lo descargará en vez de mostrarlo.
+3. **Assets con cache-busting** (`core.js?a32fb…`): wget mete la query en el nombre del fichero. El
+   paso de normalización deja también una copia con el nombre limpio, que es la que pedirá el
+   servidor estático.
+4. **Menús cuyo componente ya no existe** (`com_surveys`, `com_breezingforms`): `JRoute` no les
+   construye ruta y devuelven 404. Ya son 404 en producción; para el resto de ítems de menú la ruta
+   autoritativa es la columna `path` de `#__menu` (`41-menu-paths.sh`).
+
+## Scripts
+
+Numerados por orden de ejecución en `scripts/`. `23-estado.sh` da el estado en cualquier momento;
+`22-monitor.sh` vigila el crawl y **lo aborta** si el servidor pasa de 100 respuestas 500 o si la RAM
+libre baja de 800 MB. `60-restaurar-entorno.sh` rearranca los contenedores parados durante el crawl.

mirror-antiguo/deploy/404.html

@@ -0,0 +1,87 @@
+<!DOCTYPE html>
+<html lang="es">
+<head>
+<meta charset="utf-8">
+<meta name="viewport" content="width=device-width, initial-scale=1">
+<meta name="robots" content="noindex, nofollow">
+<title>Página no encontrada · Page not found — Archivo de feadulta.com</title>
+<style>
+  :root { color-scheme: light dark; }
+  * { box-sizing: border-box; }
+  body {
+    margin: 0; padding: 2.5rem 1.25rem;
+    font-family: Georgia, "Times New Roman", serif;
+    line-height: 1.65; color: #2e2a25; background: #f7f4ef;
+    display: flex; justify-content: center;
+  }
+  .caja { max-width: 40rem; width: 100%; }
+  .codigo {
+    font-size: .8rem; letter-spacing: .18em; text-transform: uppercase;
+    color: #9a8f80; margin: 0 0 .5rem;
+  }
+  h1 { font-size: 1.7rem; line-height: 1.25; margin: 0 0 1rem; font-weight: normal; }
+  p { margin: 0 0 1rem; }
+  .acciones { margin: 1.75rem 0; display: flex; flex-wrap: wrap; gap: .75rem; }
+  a.boton {
+    display: inline-block; padding: .7rem 1.3rem; border-radius: 3px;
+    text-decoration: none; font-family: system-ui, sans-serif; font-size: .95rem;
+  }
+  a.principal { background: #7a1f1f; color: #fff; }
+  a.secundario { background: transparent; color: #7a1f1f; border: 1px solid #c9b8a8; }
+  a.boton:hover { opacity: .88; }
+  hr { border: 0; border-top: 1px solid #ddd3c6; margin: 2.25rem 0; }
+  .en { color: #5d564e; }
+  .nota { font-size: .88rem; color: #8a8078; }
+  @media (prefers-color-scheme: dark) {
+    body { background: #17150f; color: #e6ddd0; }
+    .codigo { color: #7d7365; }
+    a.principal { background: #a83232; }
+    a.secundario { color: #d8a7a7; border-color: #4a4238; }
+    hr { border-top-color: #383226; }
+    .en { color: #b3a89a; }
+    .nota { color: #857c70; }
+  }
+</style>
+</head>
+<body>
+<div class="caja">
+
+  <p class="codigo">Error 404</p>
+  <h1>Esta página no está en el archivo</h1>
+
+  <p>Estás en el <strong>archivo histórico de feadulta.com</strong>: una copia de solo lectura de
+  la web antigua, conservada tal y como estaba. No se actualiza y no admite búsquedas ni
+  formularios.</p>
+
+  <p>La dirección que has seguido no existe aquí. Puede que el enlace esté mal escrito, que la
+  página se retirase antes de hacer esta copia, o que su contenido viva ahora en la web nueva.</p>
+
+  <div class="acciones">
+    <a class="boton principal" href="/es/">Ir al inicio del archivo</a>
+    <a class="boton secundario" href="https://www.feadulta.com/">Ir a feadulta.com</a>
+  </div>
+
+  <hr>
+
+  <div class="en" lang="en">
+    <p class="codigo">Error 404</p>
+    <h1>This page is not in the archive</h1>
+
+    <p>You have reached the <strong>historical archive of feadulta.com</strong>: a read-only copy
+    of the old website, kept as it was. It is not updated, and search and forms do not work.</p>
+
+    <p>The address you followed does not exist here. The link may be mistyped, the page may have
+    been removed before this copy was made, or its content may now live on the new website.</p>
+
+    <div class="acciones">
+      <a class="boton principal" href="/es/">Go to the archive home</a>
+      <a class="boton secundario" href="https://www.feadulta.com/">Go to feadulta.com</a>
+    </div>
+  </div>
+
+  <hr>
+  <p class="nota">Archivo estático · Static archive — feadulta.com</p>
+
+</div>
+</body>
+</html>

mirror-antiguo/deploy/nginx-mirror.conf

@@ -0,0 +1,27 @@
+server {
+    listen 80;
+    server_name _;
+    root /usr/share/nginx/html;
+
+    charset utf-8;
+    index index.html;
+
+    add_header X-Robots-Tag "noindex, nofollow" always;
+
+    # Los alias de K2 que llevan un '?' literal se sirven desde ficheros SIN extension
+    # (el navegador pide la ruta hasta el '?'). Sin esto, nginx los manda como
+    # application/octet-stream y el navegador se los descarga en vez de mostrarlos.
+    default_type text/html;
+
+    location / {
+        try_files $uri $uri.html $uri/index.html =404;
+    }
+
+    # Archivo historico: aqui no hay PHP. Cualquier .php es un fichero estatico inerte.
+    location ~ \.php {
+        default_type text/html;
+        try_files $uri $uri/index.html =404;
+    }
+
+    error_page 404 /404.html;
+}

mirror-antiguo/inventory-explore.txt

@@ -0,0 +1,278 @@
+### Idiomas de contenido (ext_languages)
+1	en-GB	en	-2
+3	es-ES	es	1
+
+### K2 items por estado
+0	0	1885
+0	1	9
+1	0	16269
+1	1	54
+
+### K2 items por idioma (publicados)
+*	16269
+
+### K2 categorias
+2
+
+### K2 categorias raiz (parent=0)
+29	Feadulta	feadulta	*
+30	Sin categoría	sincategoria	*
+
+### com_content por estado
+-2	59
+0	38
+1	9079
+
+### com_content por idioma (publicados)
+*	9079
+
+### Menus
+mainmenu	Menú Principal
+idioma	Idioma
+buscadores	Buscadores
+libros	LIBROS
+encuesta	ENCUESTA
+menuuser6	menu_user6
+secciones	Secciones
+eucamenu	eucamenu
+comentmenu	comentmenu
+art1menu	art1menu
+art2menu	art2menu
+multimenu	multimenu
+resumeneslibros	Resúmenes Libros
+colaboradores	Colaboradores
+art3menu	art3menu
+multi2menu	multi2menu
+proyemenu	proyemenu
+sec2menu	sec2menu
+secc1menu	secc1menu
+sec3menu	sec3menu
+sec1-examen-menu	sec1examen
+sec4menu	sec4menu
+sec5menu	sec5menu
+sec2-examen1-menu	sec2-examen1
+contactar	CONTACTAR
+el-ano-de-la-biblia	Año Biblia
+listado	A la fuente cada día (Fray Marcos)
+
+### Items de menu publicados
+1		Menu_Item_Root				*	1	0
+184	art1menu	art1col1	art1col1	index.php?option=com_content&view=article&id=109	component	*	1	0
+182	art1menu	art1col2	art1col2	index.php?option=com_content&view=article&id=67	component	*	1	0
+183	art1menu	art1col3	art1col3	index.php?option=com_content&view=article&id=66	component	*	1	0
+357	art1menu	art1col4	art1col4	index.php?option=com_content&view=article&id=2279	component	*	1	0
+185	art2menu	art2col1	art2col1	index.php?option=com_content&view=article&id=69	component	*	1	0
+186	art2menu	art2col2	art2col2	index.php?option=com_content&view=article&id=68	component	*	1	0
+221	art2menu	art2col3	art2col3	index.php?option=com_content&view=article&id=125	component	*	1	0
+358	art2menu	art2col4	art2col4	index.php?option=com_content&view=article&id=2280	component	*	1	0
+312	art3menu	art3col1	art3col1	index.php?option=com_content&view=article&id=1449	component	*	1	0
+313	art3menu	art3col2	art3col2	index.php?option=com_content&view=article&id=1450	component	*	1	0
+354	art3menu	art3col3	art3col3	index.php?option=com_content&view=article&id=2131	component	*	1	0
+138	buscadores	Buscador avanzado	buscadoravanzado	index.php?option=com_k2&view=itemlist&layout=category&task=category&id=29	component	*	1	0
+200	colaboradores	Arregi	arregi	index.php?option=com_content&view=article&id=83	component	*	1	0
+555	colaboradores	Inma Calvo	inma	index.php?option=com_content&view=article&id=5016	component	*	1	0
+554	colaboradores	África de La Cruz	africa	index.php?option=com_content&view=article&id=5017	component	*	1	0
+201	colaboradores	Pagola	pagola	index.php?option=com_content&view=article&id=86	component	*	1	0
+202	colaboradores	Lozano	lozano	index.php?option=com_content&view=article&id=87	component	*	1	0
+203	colaboradores	Marcos	marcos	index.php?option=com_content&view=article&id=85	component	*	1	0
+204	colaboradores	Eloy	eloy	index.php?option=com_content&view=article&id=88	component	*	1	0
+205	colaboradores	Dolores	dolores	index.php?option=com_content&view=article&id=84	component	*	1	0
+206	colaboradores	Hojman	hojman	index.php?option=com_content&view=article&id=90	component	*	1	0
+207	colaboradores	Koldo	koldo	index.php?option=com_content&view=article&id=92	component	*	1	0
+208	colaboradores	Matilde Gastalver	matilde-gastalver	index.php?option=com_content&view=article&id=91	component	*	1	0
+209	colaboradores	Ulibarri	ulibarri	index.php?option=com_content&view=article&id=93	component	*	1	0
+210	colaboradores	Vicente	vicente	index.php?option=com_content&view=article&id=89	component	*	1	0
+211	colaboradores	Rafael Calvo Beca	rafael-calvo-beca	index.php?option=com_content&view=article&id=94	component	*	1	0
+212	colaboradores	Galarreta	galarreta	index.php?option=com_content&view=article&id=95	component	*	1	0
+213	colaboradores	Mellado	mellado	index.php?option=com_content&view=article&id=96	component	*	1	0
+214	colaboradores	Salazar	salazar	index.php?option=com_content&view=article&id=97	component	*	1	0
+243	colaboradores	Mari patxi	mari-patxi	index.php?option=com_content&view=article&id=289	component	*	1	0
+245	colaboradores	Mari Paz López Santos	mari-paz-lopez-santos	index.php?option=com_content&view=article&id=312	component	*	1	0
+247	colaboradores	Mariangeles	mariangeles	index.php?option=com_content&view=article&id=341	component	*	1	0
+291	colaboradores	Carmona	carmona	index.php?option=com_content&view=article&id=937	component	*	1	0
+292	colaboradores	Rogelio	rogelio	index.php?option=com_content&view=article&id=938	component	*	1	0
+293	colaboradores	Salome	salome	index.php?option=com_content&view=article&id=936	component	*	1	0
+294	colaboradores	Victor blanco	victor-blanco	index.php?option=com_content&view=article&id=939	component	*	1	0
+306	colaboradores	Viki	viki	index.php?option=com_content&view=article&id=1299	component	*	1	0
+311	colaboradores	Lenin	lenin	index.php?option=com_content&view=article&id=1391	component	*	1	0
+315	colaboradores	Vilabrille	vilabrille	index.php?option=com_content&view=article&id=1470	component	*	1	0
+319	colaboradores	Luque	luque	index.php?option=com_content&view=article&id=1520	component	*	1	0
+360	colaboradores	Yolanda	yolanda	index.php?option=com_content&view=article&id=2331	component	*	1	0
+369	colaboradores	Gonzalo Haya	gonzalo-haya	index.php?option=com_content&view=article&id=2416	component	*	1	0
+370	colaboradores	José Luis Sicre	jose-luis-sicre	index.php?option=com_content&view=article&id=2424	component	*	1	0
+371	colaboradores	Andrés Torres Queiruga	andres-torres-queiruga	index.php?option=com_content&view=article&id=2425	component	*	1	0
+372	colaboradores	Xabier Pikaza	xabier-pikaza	index.php?option=com_content&view=article&id=2426	component	*	1	0
+373	colaboradores	Leandro Sequeiros	leandro-sequeiros	index.php?option=com_content&view=article&id=2423	component	*	1	0
+374	colaboradores	José María Castillo	jose-maria-castillo	index.php?option=com_content&view=article&id=2427	component	*	1	0
+375	colaboradores	Juan Antonio Estrada	juan-antonio-estrada	index.php?option=com_content&view=article&id=2428	component	*	1	0
+376	colaboradores	Juan José Tamayo	juan-jose-tamayo	index.php?option=com_content&view=article&id=2429	component	*	1	0
+386	colaboradores	Pope Godoy	pope-godoy	index.php?option=com_content&view=article&id=2666	component	*	1	0
+391	colaboradores	anademiguel	anademiguel	index.php?option=com_content&view=article&id=2887	component	*	1	0
+392	colaboradores	Suyapa Pérez Escapini	suyapa-perez-escapini	index.php?option=com_content&view=article&id=3103	component	*	1	0
+553	colaboradores	Ramón Hernández Martín	ramon	index.php?option=com_content&view=article&id=5015	component	*	1	0
+174	comentmenu	comentcol1	comentcol1	index.php?option=com_content&view=article&id=105	component	*	1	0
+179	comentmenu	comentcol2	comentcol2	index.php?option=com_content&view=article&id=106	component	*	1	0
+180	comentmenu	comentcol3	comentcol3	index.php?option=com_content&view=article&id=107	component	*	1	0
+181	comentmenu	comentcol4	comentcol4	index.php?option=com_content&view=article&id=108	component	*	1	0
+537	contactar	Elemento Menú Contactar	elemento-menu-contactar	index.php?option=com_breezingforms&view=form	component	*	1	0
+547	contactar	Para recibir carta de novedades	para-recibir-carta-de-novedades	index.php?option=com_breezingforms&view=form	component	*	1	0
+572	el-ano-de-la-biblia	Año de la Biblia	biblia	index.php?option=com_content&view=article&id=5335	component	*	1	0
+151	encuesta	encuesta	encuesta	index.php?option=com_surveys&view=editsurvey	component	*	1	0
+274	encuesta	Resultados	resultados	index.php?option=com_surveys&view=indivsurveyresult	component	*	1	0
+444	encuesta	Ayúdanos a elegir la nueva imagen de Feadulta	ayudanos-a-elegir-nueva-imagen	index.php?option=com_content&view=article&id=3957	component	*	1	0
+450	encuesta	Resultado	resultado	index.php?option=com_content&view=article&id=3990	component	*	1	0
+175	eucamenu	eucacol1	eucol1	index.php?option=com_content&view=article&id=101	component	*	1	0
+176	eucamenu	eucacol2	eucol2	index.php?option=com_content&view=article&id=102	component	*	1	0
+177	eucamenu	eucacol3	eucol3	index.php?option=com_content&view=article&id=103	component	*	1	0
+178	eucamenu	eucacol4	eucol4	index.php?option=com_content&view=article&id=104	component	*	1	0
+136	idioma	Español	espanol	index.php?option=com_content&view=article&id=1	component	*	1	0
+137	idioma	Ingles	ingles	index.php?option=com_content&view=article&id=1	component	*	1	0
+187	libros	libroresumen1	libroresumen1	index.php?option=com_content&view=article&id=30	component	*	1	0
+188	libros	libroresumen2	libroresumen2	index.php?option=com_content&view=article&id=31	component	*	1	0
+101	mainmenu	PORTADA	home	index.php?option=com_content&view=featured	component	*	1	1
+130	mainmenu	QUIÉNES SOMOS	quienessomos	index.php?Itemid=	alias	*	1	0
+131	mainmenu	COLABORADORES	quienessomos/colaboradores	index.php?option=com_content&view=article&id=43	component	*	1	0
+170	mainmenu	ESTE PORTAL	quienessomos/portal	index.php?option=com_content&view=article&id=59	component	*	1	0
+132	mainmenu	PARA PONER AL DÍA LA FE	quienessomos/poneraldialafe	index.php?option=com_content&view=article&id=44	component	*	1	0
+134	mainmenu	AYUDA	ayuda	index.php?option=com_content&view=article&id=45	component	*	1	0
+550	mainmenu	ESTA SEMANA	ayuda/esta-semana	index.php?option=com_content&view=category&layout=blog&id=27	component	*	1	0
+551	mainmenu	LA SEMANA PASADA	ayuda/semana-pasada	index.php?option=com_content&view=category&layout=blog&id=41	component	*	1	0
+552	mainmenu	OTRAS SEMANAS	ayuda/otras-semanas	index.php?option=com_content&view=category&id=40	component	*	1	0
+240	mainmenu	Acceso a web anterior Feadulta	ayuda/2012-05-25-09-13-26	/anterior	url	*	1	0
+241	mainmenu	Para navegar en esta página	ayuda/para-navegar-en-esta-pagina	index.php?option=com_content&view=article&id=45	component	*	1	0
+244	mainmenu	Vídeo tutorial	ayuda/video-tutoriales	index.php?option=com_content&view=article&id=293	component	*	1	0
+248	mainmenu	CÓMO USAR EL BUSCADOR AVANZADO	ayuda/como-usar-el-buscador-avanzado	index.php?option=com_content&view=article&id=358	component	*	1	0
+359	mainmenu	Para comprar un libro	ayuda/para-comprar-un-libro	index.php?option=com_content&view=article&id=2291	component	*	1	0
+523	mainmenu	Catálogo de publicaciones 2018	ayuda/catalogo-de-publicaciones-2018	index.php?option=com_content&view=article&id=4717	component	*	1	0
+507	mainmenu	NUEVA POLÍTICA DE DATOS	ayuda/nueva-politica-de-datos	index.php?option=com_content&view=article&id=4475	component	*	1	0
+536	mainmenu	CONTACTAR	contactar	index.php?option=com_content&view=article&id=5266	component	*	1	0
+568	mainmenu	Para contactar con nosotros	contactar/para-contactar-con-nosotros	index.php?option=com_content&view=article&id=5266	component	*	1	0
+567	mainmenu	Para recibir la carta de novedades	contactar/para-recibir-la-carta-de-novedades	index.php?option=com_content&view=article&id=5265	component	*	1	0
+573	mainmenu	Para inscribirse en la Escuela	contactar/para-inscribirse-en-la-escuela	index.php?option=com_content&view=article&id=5407	component	*	1	0
+362	mainmenu	ESCUELA	effa	index.php?option=com_content&view=article&id=2408	component	*	1	0
+385	mainmenu	LIBRERÍA	2015-03-30-15-34-35	https://edicionesfeadulta.com	url	*	1	0
+569	mainmenu	Buscar	buscar	index.php?option=com_search&view=search	component	*	1	0
+161	menuuser6	Catálogo	catalogolibros	index.php?option=com_content&view=article&id=40	component	*	1	0
+324	multi2menu	multi2col1	multi2col1	index.php?option=com_content&view=article&id=1657	component	*	1	0
+325	multi2menu	multi2col2	multi2col2	index.php?option=com_content&view=article&id=1658	component	*	1	0
+326	multi2menu	multi2col3	multi2col3	index.php?option=com_content&view=article&id=1659	component	*	1	0
+237	multimenu	multicol1	multicol1	index.php?option=com_content&view=article&id=282	component	*	1	0
+238	multimenu	multicol2	multicol2	index.php?option=com_content&view=article&id=283	component	*	1	0
+239	multimenu	multicol3	multicol3	index.php?option=com_content&view=article&id=284	component	*	1	0
+363	proyemenu	proyecol1	proyecol1	index.php?option=com_content&view=article&id=2410	component	*	1	0
+364	proyemenu	proyecol2	proyecol2	index.php?option=com_content&view=article&id=2412	component	*	1	0
+365	proyemenu	proyecol3	proyecol3	index.php?option=com_content&view=article&id=2411	component	*	1	0
+380	proyemenu	proyecolumna4	proyecolumna4	index.php?option=com_content&view=article&id=2430	component	*	1	0
+190	resumeneslibros	Resumen libro 1	resumenlibro1	index.php?option=com_content&view=article&id=30	component	*	1	0
+191	resumeneslibros	Resumen libro 2	resumenlibro2	index.php?option=com_content&view=article&id=74	component	*	1	0
+192	resumeneslibros	Resumen libro 10	resumenlibro10	index.php?option=com_content&view=article&id=82	component	*	1	0
+193	resumeneslibros	Resumen libro 3	resumenlibro3	index.php?option=com_content&view=article&id=75	component	*	1	0
+194	resumeneslibros	Resumen libro 4	resumenlibro4	index.php?option=com_content&view=article&id=76	component	*	1	0
+195	resumeneslibros	Resumen libro 5	resumenlibro5	index.php?option=com_content&view=article&id=77	component	*	1	0
+196	resumeneslibros	Resumen libro 6	resumenlibro6	index.php?option=com_content&view=article&id=78	component	*	1	0
+197	resumeneslibros	Resumen libro 7	resumenlibro7	index.php?option=com_content&view=article&id=79	component	*	1	0
+198	resumeneslibros	Resumen libro 8	resumenlibro8	index.php?option=com_content&view=article&id=80	component	*	1	0
+199	resumeneslibros	Resumen libro 9	resumenlibro9	index.php?option=com_content&view=article&id=81	component	*	1	0
+215	resumeneslibros	Resumen libro 11	resumenlibro11	index.php?option=com_content&view=article&id=99	component	*	1	0
+219	resumeneslibros	Resumen libro 12	resumenlibro12	index.php?option=com_content&view=article&id=111	component	*	1	0
+249	resumeneslibros	Resumen libro 13	resumen-libro-13	index.php?option=com_content&view=article&id=363	component	*	1	0
+251	resumeneslibros	Resumen libro 14	libroresumen14	index.php?option=com_content&view=article&id=376	component	*	1	0
+275	resumeneslibros	Resumen libro 15	resumen-libro-15	index.php?option=com_content&view=article&id=849	component	*	1	0
+277	resumeneslibros	Resumen libro 16	resumen-libro-16	index.php?option=com_content&view=article&id=863	component	*	1	0
+295	resumeneslibros	Resumen libro 17	resumen-libro-17	index.php?option=com_content&view=article&id=978	component	*	1	0
+301	resumeneslibros	Resumen libro 18	resumen-libro-18	index.php?option=com_content&view=article&id=1098	component	*	1	0
+304	resumeneslibros	Resumen libro 19	resumenlibro19	index.php?option=com_content&view=article&id=1197	component	*	1	0
+318	resumeneslibros	Resumen libro 20	resumen-libro-20	index.php?option=com_content&view=article&id=1501	component	*	1	0
+321	resumeneslibros	Resumen libro 21	resumen-libro-21	index.php?option=com_content&view=article&id=1611	component	*	1	0
+333	resumeneslibros	Resumen libro 23	resumen-libro-23	index.php?option=com_content&view=article&id=1818	component	*	1	0
+334	resumeneslibros	Resumen libro 24	resumen-libro-24	index.php?option=com_content&view=article&id=1862	component	*	1	0
+335	resumeneslibros	Resumen libro 25	resumen-libro-25	index.php?option=com_content&view=article&id=1911	component	*	1	0
+350	resumeneslibros	Resumen libro 26	resumen-libro-26	index.php?option=com_content&view=article&id=2019	component	*	1	0
+356	resumeneslibros	Resumen libro 27	resumen-libro-27	index.php?option=com_content&view=article&id=2228	component	*	1	0
+384	resumeneslibros	Resumen libro 30	resumen-libro-30	index.php?option=com_content&view=article&id=2514	component	*	1	0
+388	sec1-examen-menu	Examen de Espiritualidad	examen-de-espiritualidad	index.php?option=com_surveys&view=editsurvey	component	*	1	0
+394	sec2-examen1-menu	Examen de Hermenéutica y Antiguo Testamento	examen-de-hermeneutica-y-antiguo-testamento	index.php?option=com_surveys&view=editsurvey	component	*	1	0
+381	secc1menu	secc1col1	secc1col1	index.php?option=com_content&view=article&id=2432	component	*	1	0
+382	secc1menu	secc1col2	secc1col2	index.php?option=com_content&view=article&id=2433	component	*	1	0
+272	secciones	Iniciación cristiana	iniciacion-cristiana	index.php?option=com_content&view=article&id=2222	component	*	1	0
+556	secciones	Programa de las V Jornadas EFFA	programa-de-las-v-jornadas-effa	index.php?option=com_content&view=article&id=2222	component	*	1	0
+163	secciones	El rincón del Viajero	rinconviajero	index.php?option=com_content&view=article&id=55	component	*	1	0
+164	secciones	Último libro publicado	ultimolibro	index.php?option=com_content&view=article&id=56	component	*	1	0
+165	secciones	Cartas que nos llegan	cartas	index.php?option=com_content&view=category&layout=blog&id=42	component	*	1	0
+189	secciones	Catálogo de libros Feadulta	catalogo-de-libros-feadulta	index.php?option=com_content&view=article&id=40	component	*	1	0
+216	secciones	Compras en España	compras-en-espana	index.php?option=com_content&view=article&id=25	component	*	1	0
+217	secciones	Compras NO España	compras-no-espana	index.php?option=com_content&view=article&id=26	component	*	1	0
+218	secciones	Prefacio 12	prefacio-12	index.php?option=com_content&view=article&id=110	component	*	1	0
+220	secciones	Portales y revistas	portales-y-revistas	index.php?option=com_content&view=article&id=116	component	*	1	0
+223	secciones	Canciones-plegarias	canciones-plegarias	index.php?option=com_content&view=category&id=44	component	*	1	0
+222	secciones	Cantos de entrada	cantos-de-entrada	index.php?option=com_content&view=category&id=43	component	*	1	0
+224	secciones	Cantos acción de gracias	cantos-accion-de-gracias	index.php?option=com_content&view=category&id=45	component	*	1	0
+225	secciones	Otros cantos	otros-cantos	index.php?option=com_content&view=categories&id=46	component	*	1	0
+231	secciones	Tablón de anuncios	tablon-de-anuncios	index.php?option=com_content&view=category&layout=blog&id=52	component	*	1	0
+232	secciones	Blogs	blogs	index.php?option=com_content&view=article&id=157	component	*	1	0
+233	secciones	ONGs	ongs	index.php?option=com_content&view=article&id=158	component	*	1	0
+234	secciones	Otras comunidades	otras-comunidades	index.php?option=com_content&view=article&id=159	component	*	1	0
+235	secciones	Registro personal	registro-personal	index.php?option=com_content&view=category&layout=blog&id=74	component	*	1	0
+236	secciones	Comunidades	comunidades	index.php?option=com_content&view=article&id=160	component	*	1	0
+242	secciones	Índice multimedia	indice-multimedia	index.php?option=com_content&view=category&id=54	component	*	1	0
+246	secciones	CRISTIANISMO, MERCADO Y MOVIMIENTOS SOCIALES	cristianismo-mercado-y-movimientos-sociales	index.php?option=com_content&view=article&id=332	component	*	1	0
+250	secciones	Índice cronológico	indice-cronologico	index.php?option=com_content&view=category&id=55	component	*	1	0
+252	secciones	Evangelios y comentarios	evangelios-y-comentarios	index.php?option=com_content&view=category&id=56	component	*	1	0
+253	secciones	Enlaces	enlaces	index.php?option=com_content&view=category&id=57	component	*	1	0
+254	secciones	Cantoral	cantoral	index.php?option=com_content&view=categories&id=58	component	*	1	0
+255	secciones	PELÍCULAS	peliculas	index.php?option=com_content&view=article&id=417	component	*	1	0
+256	secciones	RESEÑAS DE LIBROS	resenas-de-libros	index.php?option=com_content&view=article&id=418	component	*	1	0
+257	secciones	Pensamientos	pensamientos	index.php?option=com_content&view=article&id=419	component	*	1	0
+258	secciones	ÍNDICE MULTIMEDIA WEB ANTERIOR	indice-multimedia-web-anterior	index.php?option=com_content&view=article&id=420	component	*	1	0
+259	secciones	PAUSAS E INSTANTES	pausas-e-instantes	index.php?option=com_content&view=article&id=421	component	*	1	0
+260	secciones	ORACIONES EUCARÍSTICAS	oraciones-eucaristicas	index.php?option=com_content&view=article&id=422	component	*	1	0
+261	secciones	A MODO DE SALMO	a-modo-de-salmos	index.php?option=com_content&view=article&id=423	component	*	1	0
+262	secciones	AUTORES	autores	index.php?option=com_content&view=categories&id=59	component	*	1	0
+263	secciones	TEMAS	temas	index.php?option=com_content&view=category&id=60	component	*	1	0
+264	secciones	Nuestros archivos	nuestros-archivos	index.php?option=com_content&view=article&id=439	component	*	1	0
+265	secciones	PRECES Y ORACIONES VARIAS	preces-y-oraciones-varias	index.php?option=com_content&view=article&id=471	component	*	1	0
+266	secciones	Donaciones	donaciones	index.php?option=com_content&view=article&id=494	component	*	1	0
+270	secciones	Lista de autores habituales	lista-de-autores-habituales	index.php?option=com_content&view=category&id=62	component	*	1	0
+268	secciones	Lista completa de autores por orden alfabético	lista-completa-de-autores-por-orden-alfabetico	index.php?option=com_content&view=category&id=61	component	*	1	0
+271	secciones	La suma de todos	la-suma-de-todos	index.php?option=com_content&view=article&id=547	component	*	1	0
+276	secciones	PLANUAL feadulta.com 2012-2013	planual-feadultacom-2012-2013	index.php?option=com_content&view=article&id=857	component	*	1	0
+278	secciones	AMIGOS DE FEADULTA	amigos-de-feadulta	index.php?option=com_content&view=article&id=876	component	*	1	0
+296	secciones	NOTICIAS DE ALCANCE	noticias-de-alcance	index.php?option=com_content&view=category&layout=blog&id=64	component	*	1	0
+297	secciones	Cantoral de SALOMÉ ARRICIBITA	cantoral-de-salome-arricibita	index.php?option=com_content&view=category&id=65	component	*	1	0
+298	secciones	Ambientación musical para BODAS	ambientacion-musical-para-bodas	index.php?option=com_content&view=category&id=66	component	*	1	0
+299	secciones	Cantoral para COMUNIDADES	cantoral-para-comunidades	index.php?option=com_content&view=article&id=1088	component	*	1	0
+300	secciones	OTRAS canciones	otras-canciones	index.php?option=com_content&view=article&id=1089	component	*	1	0
+226	secciones	Himnos de gloria	himnos-de-gloria	index.php?option=com_content&view=category&id=47	component	*	1	0
+227	secciones	Marianos	marianos	index.php?option=com_content&view=category&id=48	component	*	1	0
+228	secciones	Adviento y Navidad	adviento-y-navidad	index.php?option=com_content&view=category&id=49	component	*	1	0
+229	secciones	Otros cantos	otroscantos	index.php?option=com_content&view=category&id=50	component	*	1	0
+230	secciones	Canciones populares	canciones-populares	index.php?option=com_content&view=category&id=51	component	*	1	0
+302	secciones	Autores lista	autores-lista	index.php?option=com_content&view=article&id=1151	component	*	1	0
+303	secciones	Indice cantoral	indice-cantoral	index.php?option=com_content&view=article&id=1152	component	*	1	0
+305	secciones	Temas	temassubtemas	index.php?option=com_content&view=article&id=1213	component	*	1	0
+307	secciones	Feadulta en Facebook	feadulta-en-facebook	index.php?option=com_content&view=category&layout=blog&id=75	component	*	1	0
+308	secciones	PRIMERA JORNADA 'FEADULTA'	primera-jornada-feadulta	index.php?option=com_content&view=article&id=1373	component	*	1	0
+314	secciones	1jornada_feadulta	1jornadafeadulta	index.php?option=com_content&view=article&id=1459	component	*	1	0
+316	secciones	PLANUAL feadulta.com 2013-2014	planual-feadultacom-2013-2014	index.php?option=com_content&view=article&id=1492	component	*	1	0
+317	secciones	Multimedia	multimedia	index.php?option=com_content&view=article&id=1493	component	*	1	0
+320	secciones	Videos	videos	index.php?option=com_content&view=category&id=77	component	*	1	0
+322	secciones	Libros y e-books	libros-y-e-books	index.php?option=com_content&view=article&id=1625	component	*	1	0
+323	secciones	In memoriam	in-memoriam	index.php?option=com_content&view=article&id=1629	component	*	1	0
+329	secciones	Reflexiones	reflexiones	index.php?option=com_content&view=article&id=1690	component	*	1	0
+330	secciones	ENTREVISTA A JOSÉ MARÍA CASTILLO	entrevista-a-jose-maria-castillo	index.php?option=com_content&view=article&id=1694	component	*	1	0
+331	secciones	PREGUNTA APREMIANTE: ¿RELIGIÓN O EVANGELIO?	pregunta-apremiante-religion-o-evangelio	index.php?option=com_content&view=article&id=1707	component	*	1	0
+332	secciones	MÁS ALLÁ DE MÍ...	mas-alla-de-mi	index.php?option=com_content&view=article&id=1791	component	*	1	0
+351	secciones	Cancioneros diversos	cancioneros-diversos	index.php?option=com_content&view=article&id=2090	component	*	1	0
+352	secciones	Anáfora	anafora	index.php?option=com_content&view=category&id=80	component	*	1	0
+353	secciones	Comunidades cristianas	comunidades-cristianas	index.php?option=com_content&view=category&layout=blog&id=81	component	*	1	0
+355	secciones	Condolencias Conchita	condolencias-conchita	index.php?option=com_content&view=category&layout=blog&id=82	component	*	1	0
+361	secciones	Jornadas con José Antonio Pagola	jornadas-con-jose-antonio-pagola	index.php?option=com_content&view=article&id=2330	component	*	1	0
+102	secciones	CARTA DE NOVEDADES	carta	index.php?Itemid=	alias	*	1	0
+127	secciones	ESTA SEMANA	carta/estasemana	index.php?option=com_content&view=category&layout=blog&id=27	component	*	1	0
+128	secciones	LA SEMANA PASADA	carta/semanapasada	index.php?option=com_content&view=category&layout=blog&id=41	component	*	1	0
+129	secciones	OTRAS SEMANAS	carta/otrassemanas	index.php?option=com_content&view=category&id=40	component	*	1	0
+383	secciones	LA INTELIGENCIA ESPIRITUAL	la-inteligencia-espiritual	index.php?option=com_content&view=article&id=2438	component	*	1	0
+587	secciones	Evangelio diario	evangelio-diario	index.php?option=com_content&view=article&id=6269	component	*	1	0
+617	secciones	A la fuente cada día	alafuente	index.php?option=com_content&view=category&id=97	component	*	1	0
+618	secciones	Otro evangelio es posible	otroevangelio	index.php?option=com_content&view=category&id=98	component	*	1	0
+

mirror-antiguo/scripts/00-probe.sh

@@ -0,0 +1,16 @@
+#!/bin/bash
+# Sondeo del entorno restaurado
+set -u
+docker update --restart unless-stopped joomla-mirror-web >/dev/null
+docker start joomla-mirror-web >/dev/null 2>&1
+sleep 3
+echo "=== version.php ==="
+docker exec joomla-mirror-web grep -E "RELEASE|DEV_LEVEL|PRODUCT" /var/www/html/libraries/cms/version/version.php | head -6
+echo "=== sef en configuration.php ==="
+docker exec joomla-mirror-web grep -E 'sef|live_site|offline|dbprefix' /var/www/html/configuration.php
+echo "=== componentes ==="
+docker exec joomla-mirror-web ls /var/www/html/components/ | tr '\n' ' '
+echo
+echo "=== plugins system (sef/redirect) ==="
+docker exec joomla-mirror-web ls /var/www/html/plugins/system/ | tr '\n' ' '
+echo

mirror-antiguo/scripts/01-diag-container.sh

@@ -0,0 +1,8 @@
+#!/bin/bash
+set -u
+echo "=== estado ==="
+docker inspect joomla-mirror-web --format 'Status={{.State.Status}} Exit={{.State.ExitCode}} OOM={{.State.OOMKilled}} Started={{.State.StartedAt}} Finished={{.State.FinishedAt}} RestartPolicy={{.HostConfig.RestartPolicy.Name}} Mem={{.HostConfig.Memory}}'
+echo "=== ultimas lineas del log (sin access log) ==="
+docker logs --tail 200 joomla-mirror-web 2>&1 | grep -v 'GET /' | tail -20
+echo "=== docker events ultimos 30 min ==="
+docker events --since 30m --until 0s --filter container=joomla-mirror-web --format '{{.Time}} {{.Action}}' 2>/dev/null | tail -20

mirror-antiguo/scripts/02-quien-para.sh

@@ -0,0 +1,20 @@
+#!/bin/bash
+set -u
+echo "=== crontab rafa ==="
+crontab -l 2>/dev/null | grep -iE 'docker|joomla|mirror' || echo "(nada relevante)"
+echo "=== crontab root ==="
+sudo -n crontab -l 2>/dev/null | grep -iE 'docker|joomla|mirror' || echo "(no accesible o nada)"
+echo "=== /etc/cron.d ==="
+grep -rliE 'docker (stop|kill)|joomla' /etc/cron.d /etc/cron.daily 2>/dev/null || echo "(nada)"
+echo "=== procesos sospechosos ==="
+ps -eo pid,etimes,cmd | grep -iE 'docker stop|joomla|mirror|watch |while ' | grep -v grep || echo "(ninguno)"
+echo "=== docker context/info ==="
+docker version --format 'Server={{.Server.Version}} OS={{.Server.Os}}' 2>/dev/null
+echo "=== eventos: arranco el contenedor y escucho 60s ==="
+timeout 65 docker events --filter container=joomla-mirror-web --format '{{.Time}} {{.Action}} from={{index .Actor.Attributes "execID"}}' &
+EVPID=$!
+sleep 1
+docker start joomla-mirror-web >/dev/null
+wait $EVPID
+echo "=== estado final ==="
+docker inspect joomla-mirror-web --format 'Status={{.State.Status}} Exit={{.State.ExitCode}}'

mirror-antiguo/scripts/03-probe-urls.sh

@@ -0,0 +1,18 @@
+#!/bin/bash
+set -u
+H='Host: antiguo.feadulta.com'
+for u in \
+  "/" \
+  "/es/" \
+  "/carta/estasemana.html" \
+  "/es/carta/estasemana.html" \
+  "/buscadoravanzado/item/9-experiencia-pascual.html" \
+  "/es/buscadoravanzado/item/9-experiencia-pascual.html" \
+  "/20-sincategoria/10-domingo.html" \
+  "/es/20-sincategoria/10-domingo.html" \
+  ; do
+  code=$(curl -s -o /dev/null -w '%{http_code}' -H "$H" "http://127.0.0.1:8086$u")
+  loc=$(curl -s -o /dev/null -w '%{redirect_url}' -H "$H" "http://127.0.0.1:8086$u")
+  size=$(curl -s -o /dev/null -w '%{size_download}' -H "$H" "http://127.0.0.1:8086$u")
+  printf '%-60s %s  %8s  %s\n' "$u" "$code" "$size" "$loc"
+done

mirror-antiguo/scripts/10-build-inventory.sh

@@ -0,0 +1,23 @@
+#!/bin/bash
+# Fase 1 - Inventario de URLs generado por el propio router de Joomla (BD local joomla_mirror)
+set -euo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+INV=$BASE/inventory
+mkdir -p "$INV"
+H='Host: antiguo.feadulta.com'
+U='http://127.0.0.1:8086/_genurls.php'
+
+for s in menu catcontent content k2; do
+  echo "-> $s"
+  curl -s --max-time 900 -H "$H" "$U?set=$s" > "$INV/urls-$s.txt"
+  wc -l < "$INV/urls-$s.txt"
+done
+
+cat "$INV"/urls-menu.txt "$INV"/urls-catcontent.txt "$INV"/urls-content.txt "$INV"/urls-k2.txt \
+  | grep -E '^http://antiguo\.feadulta\.com/' \
+  | sort -u > "$INV/urls-input.txt"
+
+echo "=== TOTAL unico ==="
+wc -l < "$INV/urls-input.txt"
+echo "=== reparto por prefijo ==="
+sed 's#^http://antiguo.feadulta.com/es/##' "$INV/urls-input.txt" | cut -d/ -f1 | sort | uniq -c | sort -rn | head -30

mirror-antiguo/scripts/11-validate-sample.sh

@@ -0,0 +1,27 @@
+#!/bin/bash
+# Valida una muestra aleatoria del inventario contra el Joomla local y mide tiempos
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+INV=$BASE/inventory
+N=${1:-40}
+H='Host: antiguo.feadulta.com'
+
+tmp=$(mktemp)
+shuf -n "$N" "$INV/urls-input.txt" > "$tmp"
+
+ok=0; bad=0; tot=0
+start=$(date +%s.%N)
+while read -r u; do
+  path=${u#http://antiguo.feadulta.com}
+  read -r code t size < <(curl -s -o /dev/null -w '%{http_code} %{time_total} %{size_download}' -H "$H" "http://127.0.0.1:8086$path"; echo)
+  tot=$(echo "$tot + $t" | bc)
+  if [ "$code" = "200" ]; then ok=$((ok+1)); else bad=$((bad+1)); printf 'FALLO %s %s %s\n' "$code" "$t" "$path"; fi
+done < "$tmp"
+end=$(date +%s.%N)
+
+echo "---"
+echo "muestra=$N  200=$ok  no200=$bad"
+echo "tiempo medio por peticion: $(echo "scale=3; $tot / $N" | bc) s"
+echo "wall: $(echo "scale=1; $end - $start" | bc) s"
+echo "estimacion 25437 URLs a 1 hilo: $(echo "scale=1; $tot / $N * 25437 / 3600" | bc) h"
+rm -f "$tmp"

mirror-antiguo/scripts/12-net-check.sh

@@ -0,0 +1,8 @@
+#!/bin/bash
+set -uo pipefail
+IP=$(docker inspect joomla-mirror-web -f '{{range $k,$v := .NetworkSettings.Networks}}{{$v.IPAddress}}{{end}}')
+echo "IP contenedor: $IP"
+echo -n "acceso directo host->contenedor:80  "
+curl -s -o /dev/null -w '%{http_code}\n' -H 'Host: antiguo.feadulta.com' "http://$IP/es/"
+echo -n "wget nativo: "; which wget && wget --version | head -1
+grep -q 'antiguo.feadulta.com' /etc/hosts && echo "hosts: ya presente" || echo "hosts: falta entrada"

mirror-antiguo/scripts/19-smoke.sh

@@ -0,0 +1,28 @@
+#!/bin/bash
+# Lote de prueba de 200 URLs para validar la invocacion de wget y el arbol resultante
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+SM=$BASE/smoke
+rm -rf "$SM"; mkdir -p "$SM/raw"
+shuf -n 200 "$BASE/inventory/urls-input.txt" > "$SM/urls.txt"
+# aseguramos la portada y una carta
+echo 'http://antiguo.feadulta.com/es/' >> "$SM/urls.txt"
+
+t0=$(date +%s)
+wget --input-file="$SM/urls.txt" \
+  --force-directories --directory-prefix="$SM/raw" \
+  --adjust-extension --no-verbose -e robots=off \
+  --user-agent='feadulta-archiver/1.0 (+incident-183; mirror local)' \
+  --wait=0.15 --tries=3 --timeout=45 --waitretry=5 \
+  --reject-regex='(\?|&)(start|limitstart|limit|print|tmpl|format|searchword|task|orderby|filter|catid|month|year)=' \
+  --output-file="$SM/wget.log"
+t1=$(date +%s)
+
+echo "=== tiempo: $((t1-t0))s para $(wc -l < "$SM/urls.txt") URLs ==="
+echo "=== ficheros ==="; find "$SM/raw" -type f | wc -l
+echo "=== arbol (muestra) ==="; find "$SM/raw" -type f | head -8
+echo "=== errores en el log ==="; grep -icE 'error|failed' "$SM/wget.log" || true
+grep -iE 'error|failed' "$SM/wget.log" | head -10
+echo "=== tamano ==="; du -sh "$SM/raw"
+echo "=== 500 en apache durante el lote ==="
+docker logs --since "${t0}" joomla-mirror-web 2>&1 | grep -c '" 500 ' || true

mirror-antiguo/scripts/19b-smoke-check.sh

@@ -0,0 +1,15 @@
+#!/bin/bash
+set -uo pipefail
+SM=/home/rafa/joomla-migration/mirror-antiguo/smoke/raw
+echo "=== titulos capturados (10) ==="
+find "$SM" -name '*.html' | head -10 | while read -r f; do
+  t=$(grep -o '<title>[^<]*</title>' "$f" | head -1 | sed 's/<[^>]*>//g')
+  printf '%-70s %s\n' "$(basename "$f")" "$t"
+done
+echo
+echo "=== paginas sospechosas (challenge/error) ==="
+grep -rli 'Attention Required\|Just a moment\|Not Acceptable\|mod_security\|Error 500' "$SM" | wc -l
+echo "=== ficheros con PHP embebido ==="
+grep -rl '<?php' "$SM" | wc -l
+echo "=== tamano minimo de fichero (posibles paginas vacias) ==="
+find "$SM" -type f -printf '%s %p\n' | sort -n | head -5

mirror-antiguo/scripts/20-prep-crawl.sh

@@ -0,0 +1,49 @@
+#!/bin/bash
+# Preparacion del crawl: hosts, liberacion de RAM, estructura de la corrida
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+INV=$BASE/inventory
+WORKERS=${WORKERS:-4}
+
+IP=$(docker inspect joomla-mirror-web -f '{{range $k,$v := .NetworkSettings.Networks}}{{$v.IPAddress}}{{end}}')
+if ! grep -q 'antiguo.feadulta.com' /etc/hosts; then
+  echo "$IP antiguo.feadulta.com" | sudo -n tee -a /etc/hosts >/dev/null 2>&1 \
+    || echo "AVISO: no pude escribir /etc/hosts (hazlo como root)"
+fi
+grep 'antiguo.feadulta.com' /etc/hosts || true
+
+# --- parar contenedores no implicados (autorizado por Rafa) ---
+KEEP='joomla-mirror-web|joomla-mysql|gitea|hub-proxy|beszel-agent'
+STOPPED=$BASE/stopped-containers.txt
+if [ ! -s "$STOPPED" ]; then
+  docker ps --format '{{.Names}}' | grep -vE "^($KEEP)$" > "$STOPPED"
+  echo "--- parando ---"; cat "$STOPPED"
+  xargs -r -a "$STOPPED" docker stop >/dev/null
+fi
+echo "--- en marcha ahora ---"
+docker ps --format '{{.Names}}' | tr '\n' ' '; echo
+
+# --- estructura de la corrida ---
+RUN=$(date -u +%Y%m%dT%H%M%SZ)
+DIR=$BASE/runs/$RUN
+mkdir -p "$DIR/raw" "$DIR/chunks" "$DIR/logs"
+echo "$RUN" > "$BASE/CURRENT_RUN"
+
+split -n l/$WORKERS -d --additional-suffix=.txt "$INV/urls-input.txt" "$DIR/chunks/urls-"
+wc -l "$DIR/chunks"/*.txt
+
+cat > "$DIR/meta.json" <<EOF
+{
+  "run": "$RUN",
+  "origen": "Joomla legacy restaurado en local (contenedor joomla-mirror-web, BD joomla_mirror)",
+  "origen_ip": "$IP",
+  "host_virtual": "antiguo.feadulta.com",
+  "inventario": "inventory/urls-input.txt",
+  "urls_inventario": $(wc -l < "$INV/urls-input.txt"),
+  "workers": $WORKERS,
+  "wget": "$(wget --version | head -1)",
+  "nota": "Crawl acotado por inventario de BD. Sin recursion. Ver issue rafa/feadulta#180 comment-499."
+}
+EOF
+cat "$DIR/meta.json"
+free -g | head -2

mirror-antiguo/scripts/21-crawl-html.sh

@@ -0,0 +1,34 @@
+#!/bin/bash
+# Pase A: captura de las paginas HTML del inventario. Sin recursion, sin page-requisites.
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+cd "$DIR"
+
+UA='feadulta-archiver/1.0 (+incident-183; mirror local)'
+REJECT='(\?|&)(start|limitstart|limit|print|tmpl|format|searchword|task|orderby|filter|catid|month|year)='
+
+date -u +%Y-%m-%dT%H:%M:%SZ > "$DIR/logs/passA.start"
+
+for c in chunks/urls-*.txt; do
+  n=$(basename "$c" .txt)
+  wget \
+    --input-file="$c" \
+    --force-directories --directory-prefix="$DIR/raw" \
+    --adjust-extension \
+    --no-verbose \
+    -e robots=off \
+    --user-agent="$UA" \
+    --wait=0.15 --tries=3 --timeout=45 --waitretry=5 \
+    --reject-regex="$REJECT" \
+    --no-check-certificate \
+    --output-file="$DIR/logs/wget-$n.log" &
+  echo "$!" >> "$DIR/logs/passA.pids"
+done
+
+wait
+date -u +%Y-%m-%dT%H:%M:%SZ > "$DIR/logs/passA.end"
+echo "PASE A TERMINADO"
+find "$DIR/raw" -type f | wc -l
+du -sh "$DIR/raw"

mirror-antiguo/scripts/22-monitor.sh

@@ -0,0 +1,40 @@
+#!/bin/bash
+# Vigilante del crawl: ficheros, 500 del servidor, RAM. Aborta si el servidor se degrada.
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+ST=$DIR/logs/monitor.log
+MAX500=${MAX500:-100}
+MINMEM_MB=${MINMEM_MB:-800}
+T0=$(date +%s)
+
+echo "monitor arrancado $(date -u +%FT%TZ) run=$RUN max500=$MAX500" > "$ST"
+
+while true; do
+  sleep 60
+  pgrep -f 'wget --input-file=' >/dev/null || { echo "$(date -u +%FT%TZ) crawl terminado, monitor sale" >> "$ST"; break; }
+
+  files=$(find "$DIR/raw" -type f 2>/dev/null | wc -l)
+  size=$(du -sm "$DIR/raw" 2>/dev/null | cut -f1)
+  e500=$(docker logs --since "$T0" joomla-mirror-web 2>&1 | grep -c '" 500 ')
+  e408=$(docker logs --since "$T0" joomla-mirror-web 2>&1 | grep -c '" 40[38] ')
+  mem=$(free -m | awk '/^Mem:/{print $7}')
+  cmem=$(docker stats --no-stream --format '{{.MemUsage}}' joomla-mirror-web 2>/dev/null)
+  el=$(( $(date +%s) - T0 ))
+  pct=$(awk -v f="$files" 'BEGIN{printf "%.1f", f*100/25437}')
+
+  printf '%s  t=%ss  ficheros=%s (%s%%)  %sMB  500=%s  40x=%s  ram_libre=%sMB  cont=%s\n' \
+    "$(date -u +%FT%TZ)" "$el" "$files" "$pct" "$size" "$e500" "$e408" "$mem" "$cmem" >> "$ST"
+
+  if [ "$e500" -gt "$MAX500" ]; then
+    echo "!!! ABORTO: $e500 respuestas 500 (umbral $MAX500)" >> "$ST"
+    pkill -f 'wget --input-file='
+    break
+  fi
+  if [ "$mem" -lt "$MINMEM_MB" ]; then
+    echo "!!! ABORTO: RAM libre ${mem}MB por debajo de ${MINMEM_MB}MB" >> "$ST"
+    pkill -f 'wget --input-file='
+    break
+  fi
+done

mirror-antiguo/scripts/23-estado.sh

@@ -0,0 +1,14 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+echo "ahora: $(date -u +%FT%TZ)"
+echo "wget vivos: $(pgrep -cf 'wget --input-file=')"
+echo "monitor vivo: $(pgrep -cf '22-monitor.sh')"
+echo "ficheros: $(find "$DIR/raw" -type f 2>/dev/null | wc -l)"
+du -sh "$DIR/raw" 2>/dev/null
+echo "--- monitor.log ---"; tail -6 "$DIR/logs/monitor.log"
+echo "--- ultimo log de wget activo ---"
+ls -t "$DIR/logs"/wget-*.log | head -1 | xargs tail -2
+free -m | head -2

mirror-antiguo/scripts/24-errores-passA.sh

@@ -0,0 +1,15 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+echo "=== inicio/fin ==="; cat "$DIR/logs/passA.start" "$DIR/logs/passA.end"
+echo "=== codigos de error de wget ==="
+grep -hoE 'ERROR [0-9]+[^.]*' "$DIR/logs"/wget-urls-*.log | sort | uniq -c
+echo "=== lineas de fallo ==="
+grep -hE 'ERROR [0-9]|unable to resolve|Giving up|failed:' "$DIR/logs"/wget-urls-*.log | head -20
+echo "=== descargadas segun log ==="
+grep -hc '^2026' "$DIR/logs"/wget-urls-*.log | paste -sd+ | bc
+echo "=== 500/40x en apache durante el pase A ==="
+docker logs --since 2026-07-29T22:47:00Z joomla-mirror-web 2>&1 | grep -c '" 500 '
+docker logs --since 2026-07-29T22:47:00Z joomla-mirror-web 2>&1 | grep -c '" 40[0-9] '

mirror-antiguo/scripts/25-dirs-estaticos.sh

@@ -0,0 +1,16 @@
+#!/bin/bash
+set -uo pipefail
+cd /home/rafa/joomla-migration/mirror-antiguo/restore/web
+for d in anterior ediciones music sport docs images media templates; do
+  if [ -d "$d" ]; then
+    printf '%-12s ficheros=%-8s php=%-6s html=%-7s %s\n' "$d" \
+      "$(find "$d" -type f | wc -l)" \
+      "$(find "$d" -iname '*.php' | wc -l)" \
+      "$(find "$d" -iname '*.htm*' | wc -l)" \
+      "$(du -sh "$d" | cut -f1)"
+  else
+    printf '%-12s (no existe)\n' "$d"
+  fi
+done
+echo "--- indice de /anterior ---"
+ls anterior 2>/dev/null | head -20

mirror-antiguo/scripts/26-probe-anterior.sh

@@ -0,0 +1,11 @@
+#!/bin/bash
+set -uo pipefail
+H='Host: antiguo.feadulta.com'
+for u in /anterior /anterior/ /anterior/index.html /anterior/index.htm /docs/ /music/; do
+  printf '%-26s ' "$u"
+  curl -s -o /dev/null -w 'code=%{http_code} size=%{size_download} loc=%{redirect_url}\n' -H "$H" "http://127.0.0.1:8086$u"
+done
+echo "--- ficheros indice en /anterior ---"
+ls /home/rafa/joomla-migration/mirror-antiguo/restore/web/anterior/ | grep -iE '^(index|default|home)\.' | head
+echo "--- php dentro de /anterior ---"
+find /home/rafa/joomla-migration/mirror-antiguo/restore/web/anterior -iname '*.php'

mirror-antiguo/scripts/30-extract-links.py

@@ -0,0 +1,94 @@
+#!/usr/bin/env python3
+"""Pase B (1/2): extrae de las paginas capturadas los enlaces internos.
+
+Salidas en el directorio de la corrida:
+  assets-input.txt       URLs internas a recursos NO html (css, js, img, pdf, mp3, doc...)
+  missing-pages.txt      paginas .html internas enlazadas que NO estan en el inventario
+  external-hosts.txt     hosts externos referenciados, con recuento
+"""
+import os, re, sys, html
+from collections import Counter
+from urllib.parse import urljoin, urlsplit, urlunsplit
+
+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")
+HOST = "antiguo.feadulta.com"
+
+ATTR = re.compile(rb'(?:href|src|data-src|poster)\s*=\s*["\']([^"\'>]+)["\']', re.I)
+CSSURL = re.compile(rb'url\(\s*["\']?([^"\')]+)["\']?\s*\)', re.I)
+
+SKIP_SCHEMES = ("mailto:", "javascript:", "tel:", "data:", "#", "skype:", "whatsapp:")
+
+inventory = set()
+for line in open(os.path.join(BASE, "inventory", "urls-input.txt")):
+    inventory.add(line.strip())
+
+assets, pages, ext = set(), set(), Counter()
+nfiles = 0
+
+def norm(u, page_url):
+    u = html.unescape(u.strip())
+    if not u or u.startswith(SKIP_SCHEMES):
+        return None
+    absu = urljoin(page_url, u)
+    p = urlsplit(absu)
+    if p.scheme not in ("http", "https"):
+        return None
+    if p.netloc.split(":")[0] != HOST:
+        ext[p.netloc] += 1
+        return None
+    # sin fragmento; conservamos query (rara en assets)
+    return urlunsplit(("http", HOST, p.path, p.query, ""))
+
+for root, _dirs, files in os.walk(RAW):
+    for fn in files:
+        path = os.path.join(root, fn)
+        rel = os.path.relpath(path, RAW)
+        page_url = "http://%s/%s" % (HOST, rel.replace(os.sep, "/"))
+        if not fn.lower().endswith((".html", ".htm")):
+            continue
+        nfiles += 1
+        try:
+            data = open(path, "rb").read()
+        except OSError:
+            continue
+        found = ATTR.findall(data) + CSSURL.findall(data)
+        for raw in found:
+            try:
+                u = norm(raw.decode("utf-8", "replace"), page_url)
+            except ValueError:
+                continue
+            if not u:
+                continue
+            tail = urlsplit(u).path.lower()
+            if tail.endswith((".html", ".htm")) or tail.endswith("/"):
+                if u not in inventory:
+                    pages.add(u)
+            else:
+                assets.add(u)
+
+def dump(name, it):
+    p = os.path.join(DIR, name)
+    with open(p, "w") as f:
+        for x in sorted(it):
+            f.write(x + "\n")
+    return p, len(it)
+
+print("paginas HTML analizadas:", nfiles)
+for n, c in (dump("assets-input.txt", assets), dump("missing-pages.txt", pages)):
+    print(n, c)
+with open(os.path.join(DIR, "external-hosts.txt"), "w") as f:
+    for h, c in ext.most_common():
+        f.write("%7d  %s\n" % (c, h))
+print("hosts externos distintos:", len(ext))
+
+# reparto de assets por extension
+c = Counter()
+for u in assets:
+    e = os.path.splitext(urlsplit(u).path)[1].lower() or "(sin ext)"
+    c[e] += 1
+print("--- assets por extension ---")
+for e, n in c.most_common(25):
+    print("%7d  %s" % (n, e))

mirror-antiguo/scripts/31-fetch-assets.sh

@@ -0,0 +1,30 @@
+#!/bin/bash
+# Pase B (2/2): descarga los recursos (css/js/img/pdf/mp3...) referenciados por las paginas
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+W=${WORKERS:-3}
+
+[ -s "$DIR/assets-input.txt" ] || { echo "no hay assets-input.txt"; exit 1; }
+mkdir -p "$DIR/chunks-assets" "$DIR/logs"
+rm -f "$DIR/chunks-assets"/*.txt
+split -n l/$W -d --additional-suffix=.txt "$DIR/assets-input.txt" "$DIR/chunks-assets/a-"
+
+date -u +%FT%TZ > "$DIR/logs/passB.start"
+for c in "$DIR/chunks-assets"/a-*.txt; do
+  n=$(basename "$c" .txt)
+  wget --input-file="$c" \
+    --force-directories --directory-prefix="$DIR/raw" \
+    --no-verbose -e robots=off --no-clobber \
+    --user-agent='feadulta-archiver/1.0 (+incident-183; mirror local)' \
+    --wait=0.05 --tries=2 --timeout=45 --waitretry=3 \
+    --output-file="$DIR/logs/wget-$n.log" &
+done
+wait
+date -u +%FT%TZ > "$DIR/logs/passB.end"
+echo "PASE B TERMINADO"
+find "$DIR/raw" -type f | wc -l
+du -sh "$DIR/raw"
+echo "=== errores ==="
+grep -hoE 'ERROR [0-9]+' "$DIR/logs"/wget-a-*.log | sort | uniq -c

mirror-antiguo/scripts/32-analiza-missing.sh

@@ -0,0 +1,18 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+M=$DIR/missing-pages.txt
+echo "total: $(wc -l < "$M")"
+echo
+echo "=== con query string ==="
+grep -c '?' "$M"
+echo "=== primer segmento de ruta ==="
+sed 's#^http://antiguo.feadulta.com/##' "$M" | cut -d/ -f1 | sort | uniq -c | sort -rn | head -20
+echo
+echo "=== segundo segmento bajo /es/ ==="
+grep '^http://antiguo.feadulta.com/es/' "$M" | sed 's#^http://antiguo.feadulta.com/es/##' | cut -d/ -f1 | sort | uniq -c | sort -rn | head -25
+echo
+echo "=== muestra aleatoria de 25 ==="
+shuf -n 25 "$M"

mirror-antiguo/scripts/33-missing-sin-query.sh

@@ -0,0 +1,14 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+grep -v '?' "$DIR/missing-pages.txt" > "$DIR/missing-pages-sinquery.txt"
+M=$DIR/missing-pages-sinquery.txt
+echo "sin query: $(wc -l < "$M")"
+echo
+echo "=== por prefijo (2 segmentos) ==="
+sed 's#^http://antiguo.feadulta.com/##' "$M" | cut -d/ -f1,2 | sort | uniq -c | sort -rn | head -25
+echo
+echo "=== muestra de 30 (fuera de /anterior) ==="
+grep -v '/anterior/' "$M" | shuf -n 30

mirror-antiguo/scripts/34-clasifica-missing.py

@@ -0,0 +1,64 @@
+#!/usr/bin/env python3
+"""Clasifica missing-pages-sinquery.txt: separa lo que es ruido/codificacion de los huecos reales."""
+import os, re
+from collections import Counter
+from urllib.parse import unquote, 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")
+
+inv = set(l.strip() for l in open(os.path.join(BASE, "inventory", "urls-input.txt")))
+inv_dec = set(unquote(u) for u in inv)
+
+cats = Counter()
+real = []
+for line in open(os.path.join(DIR, "missing-pages-sinquery.txt")):
+    u = line.strip()
+    d = unquote(u)
+    if d in inv_dec:
+        cats["ya_en_inventario (solo difiere la codificacion %XX)"] += 1
+        continue
+    # ¿existe ya el fichero en disco?
+    p = urlsplit(d).path
+    fp = os.path.join(RAW, p.lstrip("/"))
+    if p.endswith("/"):
+        fp = os.path.join(fp, "index.html")
+    if os.path.exists(fp):
+        cats["ya_capturado en disco"] += 1
+        continue
+
+    if "/itemlist/user/" in d:
+        cats["K2 pagina de autor (itemlist/user)"] += 1; real.append(u)
+    elif "/itemlist/tag/" in d:
+        cats["K2 pagina de etiqueta (itemlist/tag)"] += 1; real.append(u)
+    elif "/itemlist/date/" in d or "/itemlist/category" in d:
+        cats["K2 listado (fecha/categoria)"] += 1; real.append(u)
+    elif d.startswith("http://antiguo.feadulta.com/anterior/"):
+        cats["/anterior (web estatica antigua)"] += 1; real.append(u)
+    elif d.startswith("http://antiguo.feadulta.com/ediciones/"):
+        cats["/ediciones"] += 1; real.append(u)
+    elif "/index.php/" in d:
+        cats["enlace no-SEF (index.php/...)"] += 1; real.append(u)
+    elif re.search(r"/ES/|/BUSCADORAVANZADO/", d):
+        cats["enlace roto por mayusculas"] += 1
+    else:
+        cats["OTROS - revisar"] += 1; real.append(u)
+
+for k, v in cats.most_common():
+    print("%7d  %s" % (v, k))
+print()
+out = os.path.join(DIR, "missing-real.txt")
+with open(out, "w") as f:
+    for u in sorted(set(real)):
+        f.write(u + "\n")
+print("candidatos reales ->", out, len(set(real)))
+
+print("\n--- muestra de OTROS ---")
+n = 0
+for u in sorted(set(real)):
+    d = unquote(u)
+    if not any(s in d for s in ("/itemlist/", "/anterior/", "/ediciones/", "/index.php/")):
+        print("  ", u); n += 1
+        if n >= 20: break

mirror-antiguo/scripts/35-pase-c-huecos.sh

@@ -0,0 +1,51 @@
+#!/bin/bash
+# Pase C: captura iterativa de las paginas internas enlazadas que no estaban en el inventario
+# (rutas alternativas de menu, paginas de autor de K2, /anterior, ...).
+# Itera hasta que no aparezcan URLs nuevas o hasta MAXIT vueltas.
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+MAXIT=${MAXIT:-6}
+W=${WORKERS:-4}
+REJECT='(\?|&)(start|limitstart|limit|print|tmpl|format|searchword|task|orderby|filter|catid|month|year)='
+
+for it in $(seq 1 $MAXIT); do
+  IN=$DIR/passC-$it-input.txt
+  if [ "$it" = "1" ]; then
+    cp "$DIR/missing-real.txt" "$IN"
+  else
+    # recalcular huecos con lo capturado hasta ahora
+    python3 "$BASE/scripts/30-extract-links.py" > "$DIR/logs/extract-$it.log" 2>&1
+    grep -v '?' "$DIR/missing-pages.txt" > "$DIR/missing-pages-sinquery.txt"
+    python3 "$BASE/scripts/34-clasifica-missing.py" > "$DIR/logs/clasifica-$it.log" 2>&1
+    cp "$DIR/missing-real.txt" "$IN"
+  fi
+
+  n=$(wc -l < "$IN")
+  echo "=== iteracion $it: $n URLs candidatas ==="
+  [ "$n" -eq 0 ] && { echo "no quedan huecos"; break; }
+
+  mkdir -p "$DIR/chunks-c"
+  rm -f "$DIR/chunks-c"/*.txt
+  split -n l/$W -d --additional-suffix=.txt "$IN" "$DIR/chunks-c/c$it-"
+  for c in "$DIR/chunks-c"/c$it-*.txt; do
+    [ -s "$c" ] || continue
+    b=$(basename "$c" .txt)
+    wget --input-file="$c" \
+      --force-directories --directory-prefix="$DIR/raw" \
+      --adjust-extension --no-verbose --no-clobber -e robots=off \
+      --user-agent='feadulta-archiver/1.0 (+incident-183; mirror local)' \
+      --wait=0.1 --tries=2 --timeout=45 --waitretry=3 \
+      --reject-regex="$REJECT" \
+      --output-file="$DIR/logs/wget-$b.log" &
+  done
+  wait
+  echo "  ficheros ahora: $(find "$DIR/raw" -type f | wc -l)"
+  echo "  errores: $(grep -hoE 'ERROR [0-9]+' "$DIR/logs"/wget-c$it-*.log | sort | uniq -c | tr '\n' ' ')"
+done
+
+date -u +%FT%TZ > "$DIR/logs/passC.end"
+echo "PASE C TERMINADO"
+find "$DIR/raw" -type f | wc -l
+du -sh "$DIR/raw"

mirror-antiguo/scripts/36-estado-passB.sh

@@ -0,0 +1,13 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+echo "inicio/fin pase B:"; cat "$D/logs/passB.start" "$D/logs/passB.end" 2>/dev/null || echo "(sin marcas)"
+echo "assets pedidos: $(wc -l < "$D/assets-input.txt")"
+echo "errores:"; grep -hoE 'ERROR [0-9]+' "$D/logs"/wget-a-*.log 2>/dev/null | sort | uniq -c
+echo "descargados segun log: $(grep -hc '^2026' "$D/logs"/wget-a-*.log 2>/dev/null | paste -sd+ | bc)"
+echo "ficheros totales: $(find "$D/raw" -type f | wc -l)"
+du -sh "$D/raw"
+echo "--- reparto por tipo en raw ---"
+find "$D/raw" -type f | sed 's#.*\.##' | tr 'A-Z' 'a-z' | sort | uniq -c | sort -rn | head -15

mirror-antiguo/scripts/37-pase-d-anterior.sh

@@ -0,0 +1,26 @@
+#!/bin/bash
+# Pase D: /anterior — la web estatica anterior a Joomla, enlazada desde el menu principal.
+# Es HTML plano servido por Apache (solo 1 .php en 34.037 ficheros): la recursion aqui es finita
+# y no pasa por PHP, asi que no reproduce la trampa de paginacion de K2.
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+
+date -u +%FT%TZ > "$DIR/logs/passD.start"
+wget \
+  --recursive --level=inf --no-parent \
+  --force-directories --directory-prefix="$DIR/raw" \
+  --adjust-extension --no-verbose --no-clobber -e robots=off \
+  --domains=antiguo.feadulta.com --span-hosts=off \
+  --user-agent='feadulta-archiver/1.0 (+incident-183; mirror local)' \
+  --wait=0.05 --tries=2 --timeout=45 --waitretry=3 \
+  --reject-regex='(\?|&)(C|O|start|limitstart|limit|print|tmpl|format|searchword|task|orderby|filter)=' \
+  --output-file="$DIR/logs/wget-anterior.log" \
+  http://antiguo.feadulta.com/anterior/
+date -u +%FT%TZ > "$DIR/logs/passD.end"
+
+echo "PASE D TERMINADO"
+find "$DIR/raw/antiguo.feadulta.com/anterior" -type f 2>/dev/null | wc -l
+du -sh "$DIR/raw/antiguo.feadulta.com/anterior" 2>/dev/null
+grep -hoE 'ERROR [0-9]+' "$DIR/logs/wget-anterior.log" | sort | uniq -c

mirror-antiguo/scripts/38-diag-passB.sh

@@ -0,0 +1,16 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+echo "=== procesos wget ==="
+ps -eo pid,etimes,args | grep '[w]get --input-file' | sed 's/\(.\{160\}\).*/\1/'
+echo
+echo "=== ultimas 3 lineas de cada log del pase B ==="
+for f in "$D/logs"/wget-a-*.log; do echo "--- $f"; tail -3 "$f"; done
+echo
+echo "=== 24 lineas mas recientes de apache ==="
+docker logs --tail 8 joomla-mirror-web 2>&1 | sed 's/\(.\{150\}\).*/\1/'
+echo
+echo "=== conteo por chunk ==="
+for f in "$D/chunks-assets"/a-*.txt; do echo "$f: $(wc -l < "$f")"; done

mirror-antiguo/scripts/39-diag-interrogantes.sh

@@ -0,0 +1,25 @@
+#!/bin/bash
+# Cuantifica el problema de los alias que llevan '?' literal dentro de la URL
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+echo "=== URLs del inventario con '?' literal ==="
+grep -c '?' "$BASE/inventory/urls-input.txt"
+echo "=== muestra ==="
+grep '?' "$BASE/inventory/urls-input.txt" | head -5
+echo
+echo "=== assets-input con '?' ==="
+grep -c '?' "$D/assets-input.txt"
+echo "=== assets-input SIN '?' (assets de verdad) ==="
+grep -vc '?' "$D/assets-input.txt"
+echo
+echo "=== ficheros en raw sin extension ==="
+find "$D/raw" -type f ! -name '*.*' | wc -l
+echo "=== ficheros en raw con '?' en el nombre ==="
+find "$D/raw" -type f -name '*[?]*' | wc -l
+echo "=== muestra ==="
+find "$D/raw" -type f -name '*[?]*' | head -3
+echo
+echo "=== items K2 con '?' en el alias (BD) ==="
+grep -c 'buscadoravanzado' "$BASE/inventory/urls-k2.txt"

mirror-antiguo/scripts/40-manifest-scan.sh

@@ -0,0 +1,40 @@
+#!/bin/bash
+# Fase 3: manifiestos sha256 + escaneo de seguridad del propio mirror (§4.3 del plan)
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+cd "$DIR"
+
+echo "=== manifiesto raw ==="
+( cd raw && find . -type f -print0 | sort -z | xargs -0 sha256sum ) > MANIFEST-raw.sha256
+wc -l < MANIFEST-raw.sha256
+du -sh raw
+
+echo
+echo "=== 1. ficheros con PHP ejecutable ==="
+grep -rl '<?php' raw > scan-php.txt 2>/dev/null
+wc -l < scan-php.txt
+
+echo "=== 2. patrones tipicos de inyeccion ==="
+grep -rlE 'eval\(|atob\(|document\.write\(unescape|fromCharCode' raw > scan-suspicious.txt 2>/dev/null
+wc -l < scan-suspicious.txt
+
+echo "=== 3. paginas de challenge/error congeladas ==="
+grep -rli 'Attention Required\|Just a moment\|Not Acceptable\|mod_security\|Internal Server Error' raw > scan-garbage.txt 2>/dev/null
+wc -l < scan-garbage.txt
+
+echo "=== 4. hosts externos en script/iframe ==="
+grep -rhoE '<(script|iframe)[^>]+src="https?://[^"/]+' raw \
+  | grep -oE 'https?://[^"/]+' | sort | uniq -c | sort -rn > scan-external-script-hosts.txt
+head -25 scan-external-script-hosts.txt
+
+echo
+echo "=== 5. cobertura frente al inventario ==="
+find raw/antiguo.feadulta.com -type f -name '*.html' \
+  | sed 's#^raw/antiguo.feadulta.com#http://antiguo.feadulta.com#' | sort -u > captured-pages.txt
+comm -23 <(sort -u "$BASE/inventory/urls-input.txt" | sed 's#/es/$#/es/index.html#') captured-pages.txt > coverage-missing.txt
+echo "inventario:  $(wc -l < "$BASE/inventory/urls-input.txt")"
+echo "capturadas:  $(wc -l < captured-pages.txt)"
+echo "sin capturar (aprox): $(wc -l < coverage-missing.txt)"
+head -20 coverage-missing.txt

mirror-antiguo/scripts/41-menu-paths.sh

@@ -0,0 +1,13 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+INV=$BASE/inventory
+curl -s -H 'Host: antiguo.feadulta.com' 'http://127.0.0.1:8086/_inv/menupaths.php' | sort -u > "$INV/urls-menu-path.txt"
+echo "menu por path: $(wc -l < "$INV/urls-menu-path.txt")"
+echo "menu via JRoute con ?Itemid=: $(grep -c 'Itemid=' "$INV/urls-menu.txt")"
+echo
+echo "=== comprobacion de 12 al azar ==="
+shuf -n 12 "$INV/urls-menu-path.txt" | while read -r u; do
+  p=${u#http://antiguo.feadulta.com}
+  printf '%-60s %s\n' "$p" "$(curl -s -o /dev/null -w '%{http_code}' -H 'Host: antiguo.feadulta.com' "http://127.0.0.1:8086$p")"
+done

mirror-antiguo/scripts/42-corta-a00.sh

@@ -0,0 +1,17 @@
+#!/bin/bash
+# El lote a-00 del pase B resulto ser casi todo basura: URLs de articulo cuyo alias lleva un '?'
+# literal (mal clasificadas como assets) y sus vistas de impresion. Los assets de verdad estaban en
+# a-01 y a-02, que ya terminaron. Se corta a-00 y se documenta.
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+echo "=== composicion de a-00 ==="
+echo "total: $(wc -l < "$D/chunks-assets/a-00.txt")"
+echo "bajo /es/ (articulos, no assets): $(grep -c '/es/' "$D/chunks-assets/a-00.txt")"
+echo "assets reales: $(grep -vc '/es/' "$D/chunks-assets/a-00.txt")"
+pkill -f 'chunks-assets/a-00.txt' && echo "a-00 detenido" || echo "a-00 ya no corria"
+sleep 2
+date -u +%FT%TZ > "$D/logs/passB.end"
+echo "=== restos a limpiar (vistas de impresion) ==="
+find "$D/raw" -type f -name '*print=1*' | wc -l

mirror-antiguo/scripts/43-pendientes.sh

@@ -0,0 +1,46 @@
+#!/bin/bash
+# Pase C unificado: conjunto completo de URLs deseadas menos lo que ya esta en disco.
+#   inventario  +  rutas de menu por `path`  +  huecos detectados en el HTML  +  assets reales
+# wget con --no-clobber se salta lo ya descargado, asi que el script es idempotente.
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+W=${WORKERS:-4}
+REJECT='(\?|&)(start|limitstart|limit|print|tmpl|format|searchword|task|orderby|filter|catid|month|year)='
+
+cat "$BASE/inventory/urls-input.txt" \
+    "$BASE/inventory/urls-menu-path.txt" \
+    "$D/missing-real.txt" \
+    <(grep -v 'antiguo.feadulta.com/es/' "$D/assets-input.txt") \
+  | grep -E '^http://antiguo\.feadulta\.com/' \
+  | grep -v 'print=1' \
+  | grep -v 'tmpl=component' \
+  | grep -v 'format=opensearch' \
+  | grep -v '/component/mailto/' \
+  | sort -u > "$D/passC-input.txt"
+
+echo "conjunto deseado: $(wc -l < "$D/passC-input.txt")"
+echo "ficheros en disco antes: $(find "$D/raw" -type f | wc -l)"
+
+mkdir -p "$D/chunks-c"; rm -f "$D/chunks-c"/*.txt
+split -n l/$W -d --additional-suffix=.txt "$D/passC-input.txt" "$D/chunks-c/c-"
+
+date -u +%FT%TZ > "$D/logs/passC.start"
+for c in "$D/chunks-c"/c-*.txt; do
+  b=$(basename "$c" .txt)
+  wget --input-file="$c" \
+    --force-directories --directory-prefix="$D/raw" \
+    --adjust-extension --no-verbose --no-clobber -e robots=off \
+    --user-agent='feadulta-archiver/1.0 (+incident-183; mirror local)' \
+    --wait=0.1 --tries=2 --timeout=45 --waitretry=3 \
+    --reject-regex="$REJECT" \
+    --output-file="$D/logs/wget-$b.log" &
+done
+wait
+date -u +%FT%TZ > "$D/logs/passC.end"
+
+echo "PASE C TERMINADO"
+echo "ficheros en disco despues: $(find "$D/raw" -type f | wc -l)"
+du -sh "$D/raw"
+grep -hoE 'ERROR [0-9]+' "$D/logs"/wget-c-*.log | sort | uniq -c

mirror-antiguo/scripts/44-check-plantilla.sh

@@ -0,0 +1,19 @@
+#!/bin/bash
+# Comprueba que los recursos de plantilla que pide la portada existen en el mirror
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+R=$BASE/runs/$RUN/raw/antiguo.feadulta.com
+P=$R/es/index.html
+[ -f "$P" ] || { echo "no existe $P"; exit 1; }
+
+grep -oE '(href|src)="[^"]+\.(css|js|png|jpg|gif|ico)[^"]*"' "$P" \
+  | sed 's/^[a-z]*="//; s/"$//' | sort -u > /tmp/portada-assets.txt
+echo "recursos referenciados por la portada: $(wc -l < /tmp/portada-assets.txt)"
+ok=0; miss=0
+while read -r u; do
+  p=$(echo "$u" | sed 's#^https\?://antiguo.feadulta.com##; s#^/##; s#?.*##')
+  case "$u" in http*://*) case "$u" in *antiguo.feadulta.com*) ;; *) continue;; esac;; esac
+  if [ -f "$R/$p" ]; then ok=$((ok+1)); else miss=$((miss+1)); echo "  FALTA: $p"; fi
+done < /tmp/portada-assets.txt
+echo "presentes=$ok  ausentes=$miss"

mirror-antiguo/scripts/44b-check-query-assets.sh

@@ -0,0 +1,13 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+R=$BASE/runs/$RUN/raw/antiguo.feadulta.com
+for f in components/com_k2/css/k2.css media/com_jce/site/css/content.min.css \
+         media/jui/js/jquery-migrate.min.js media/jui/js/jquery-noconflict.js \
+         media/jui/js/jquery.min.js media/k2/assets/js/k2.frontend.js \
+         media/system/js/core.js media/system/js/html5fallback.js \
+         media/system/js/mootools-core.js media/system/js/mootools-more.js; do
+  hit=$(ls "$R/$f"* 2>/dev/null | head -1)
+  printf '%-50s %s\n' "$(basename "$f")" "${hit:-NO ENCONTRADO}"
+done

mirror-antiguo/scripts/45-normalize-links.py

@@ -0,0 +1,110 @@
+#!/usr/bin/env python3
+"""§3.5 del plan: deriva `site/` a partir de `raw/` (que queda intacto).
+
+- Reescribe los enlaces absolutos a `antiguo.feadulta.com` como raiz-relativos, para que el mirror
+  funcione bajo cualquier hostname (p.ej. legacy.rafacalvo.nyc).
+- Deja intactos los enlaces externos (incluido www.feadulta.com, que ahora es WordPress).
+- Neutraliza los formularios que apuntan a endpoints PHP vivos: quedan inertes y con aviso.
+- Descarta las vistas de impresion (`?tmpl=component&print=1`), que duplican paginas ya capturadas.
+- Deja una copia sin la query en el nombre para los ficheros que wget guardo como `app.js?hash`
+  o `titulo?.html` (alias con '?' literal): un servidor estatico busca el nombre sin query.
+
+Uso: 45-normalize-links.py [--no-copy]   (--no-copy reaprovecha el site/ existente)
+"""
+import os, re, json, shutil, sys
+from collections import Counter
+
+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, SITE = os.path.join(DIR, "raw"), os.path.join(DIR, "site")
+
+HOSTABS = re.compile(rb'(?:https?:)?//antiguo\.feadulta\.com', re.I)
+FORM = re.compile(rb'<form\b[^>]*>', re.I)
+ACTION = re.compile(rb'action\s*=\s*["\']([^"\']*)["\']', re.I)
+
+AVISO = (b'<div style="background:#ffe9e9;border:1px solid #c00;padding:8px;margin:8px 0;'
+         b'font:13px sans-serif">Archivo hist\xc3\xb3rico: este formulario no est\xc3\xa1 '
+         b'operativo.</div>')
+
+TEXTEXT = (".html", ".htm", ".css", ".js")
+
+
+def basename_sin_query(fn):
+    """`app.js?hash` -> `app.js`;  `titulo?.html` -> `titulo`.  Sin '?' devuelve el propio nombre."""
+    return fn.split("?", 1)[0]
+
+
+def paso1_nombres_con_query(stats):
+    """Se ejecuta ANTES de reescribir: descarta impresiones y crea las copias de nombre limpio."""
+    for root, _d, files in os.walk(SITE):
+        for fn in list(files):
+            if "?" not in fn:
+                continue
+            src = os.path.join(root, fn)
+            if "print=1" in fn:
+                os.remove(src)
+                stats["vistas_impresion_descartadas"] += 1
+                continue
+            base = basename_sin_query(fn)
+            if not base:
+                continue
+            dst = os.path.join(root, base)
+            if not os.path.exists(dst):
+                shutil.copy2(src, dst)
+                stats["copias_con_nombre_limpio"] += 1
+
+
+def paso2_reescribe(stats):
+    for root, _d, files in os.walk(SITE):
+        for fn in files:
+            # la extension se mira sobre el nombre SIN query: `x.html?foo` sigue siendo HTML
+            base = basename_sin_query(fn).lower()
+            if not base.endswith(TEXTEXT):
+                continue
+            p = os.path.join(root, fn)
+            try:
+                data = open(p, "rb").read()
+            except OSError:
+                continue
+            orig = data
+
+            data, n = HOSTABS.subn(b"", data)
+            stats["enlaces_absolutos_reescritos"] += n
+
+            if base.endswith((".html", ".htm")):
+                def fix_form(m):
+                    tag = m.group(0)
+                    a = ACTION.search(tag)
+                    if a and b".php" in a.group(1):
+                        stats["formularios_neutralizados"] += 1
+                        return ACTION.sub(b'action="#" onsubmit="return false"', tag) + AVISO
+                    return tag
+                data = FORM.sub(fix_form, data)
+
+            if data != orig:
+                open(p, "wb").write(data)
+                stats["ficheros_modificados"] += 1
+
+
+def main():
+    if "--no-copy" not in sys.argv:
+        if os.path.exists(SITE):
+            print("site/ ya existe, lo borro"); shutil.rmtree(SITE)
+        print("copiando raw/ -> site/ ...")
+        shutil.copytree(RAW, SITE)
+    else:
+        print("reaprovechando site/ existente")
+
+    stats = Counter()
+    paso1_nombres_con_query(stats)
+    paso2_reescribe(stats)
+
+    out = os.path.join(DIR, "link-rewrite.json")
+    json.dump(dict(stats), open(out, "w"), indent=2, ensure_ascii=False)
+    print(json.dumps(dict(stats), indent=2, ensure_ascii=False))
+    print("informe:", out)
+
+
+if __name__ == "__main__":
+    main()

mirror-antiguo/scripts/46-analiza-404-passC.sh

@@ -0,0 +1,20 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+grep -hB1 'ERROR 404' "$D/logs"/wget-c-*.log | grep '^http' | sed 's/:$//' | sort -u > "$D/404-passC.txt"
+echo "URLs con 404: $(wc -l < "$D/404-passC.txt")"
+echo
+echo "=== por tipo ==="
+printf 'itemlist/user  %s\n' "$(grep -c '/itemlist/user/' "$D/404-passC.txt")"
+printf 'item           %s\n' "$(grep -c '/item/' "$D/404-passC.txt")"
+printf '/anterior      %s\n' "$(grep -c '/anterior/' "$D/404-passC.txt")"
+printf 'resto          %s\n' "$(grep -vcE '/itemlist/user/|/item/|/anterior/' "$D/404-passC.txt")"
+echo
+echo "=== muestra item ==="
+grep '/item/' "$D/404-passC.txt" | head -5
+echo "=== muestra itemlist/user ==="
+grep '/itemlist/user/' "$D/404-passC.txt" | head -5
+echo "=== muestra resto ==="
+grep -vE '/itemlist/user/|/item/|/anterior/' "$D/404-passC.txt" | head -8

mirror-antiguo/scripts/47-cruza-404-bd.sh

@@ -0,0 +1,18 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+curl -s -H 'Host: antiguo.feadulta.com' 'http://127.0.0.1:8086/_inv/k2ids.php' > "$D/k2-ids.tsv"
+echo "items K2 en BD: $(wc -l < "$D/k2-ids.tsv")"
+
+grep -oP '/item/\K\d+' "$D/404-passC.txt" | sort -u > "$D/404-ids.txt"
+echo "ids distintos con 404: $(wc -l < "$D/404-ids.txt")"
+
+awk -F'\t' 'NR==FNR{want[$1]=1;next} ($1 in want){print $2"\t"$3}' "$D/404-ids.txt" "$D/k2-ids.tsv" \
+  | sort | uniq -c | sed 's/^/  published,trash: /'
+echo "ids que no existen en la BD: $(awk -F'\t' 'NR==FNR{have[$1]=1;next} !($1 in have)' "$D/k2-ids.tsv" "$D/404-ids.txt" | wc -l)"
+
+echo
+echo "=== los 172 'resto' ==="
+grep -vE '/itemlist/user/|/item/|/anterior/' "$D/404-passC.txt" | sed 's#^http://antiguo.feadulta.com/es/##' | cut -d/ -f1 | sort | uniq -c | sort -rn | head -15

mirror-antiguo/scripts/48-estado-passD.sh

@@ -0,0 +1,14 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+L=$D/logs/wget-anterior.log
+echo "wget vivo: $(pgrep -cf 'anterior/$')"
+echo "descargados OK: $(grep -c '^2026.*URL:' "$L")"
+echo "404: $(grep -c 'ERROR 404' "$L")"
+echo "ficheros bajo /anterior: $(find "$D/raw/antiguo.feadulta.com/anterior" -type f 2>/dev/null | wc -l)"
+echo "ficheros bajo /es/anterior (redirigidos, no deberia haber): $(find "$D/raw/antiguo.feadulta.com/es/anterior" -type f 2>/dev/null | wc -l)"
+du -sh "$D/raw/antiguo.feadulta.com/anterior" 2>/dev/null
+echo "--- ultimas 5 descargas OK ---"
+grep '^2026.*URL:' "$L" | tail -5 | sed 's/\(.\{140\}\).*/\1/'

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)

mirror-antiguo/scripts/50b-parity-full.py

@@ -0,0 +1,154 @@
+#!/usr/bin/env python3
+"""Paridad COMPLETA sobre el inventario entero, a fuego lento.
+
+Igual que 50-parity.py pero (a) recorre las 25.437 URLs en vez de una muestra,
+(b) mete una pausa entre peticiones para no ahogar al Joomla local ni a la WSL
+(ver leccion del crawl que tumbo la VM), y (c) escribe JSONL incremental para
+poder mirar el progreso y reanudar sin repetir trabajo.
+
+Uso:  python3 50b-parity-full.py [pausa_segundos] [workers]   (por defecto 0.35 y 1)
+
+Se registra ademas el codigo HTTP del Joomla local: sin eso, un 500 del contenedor se contaria
+como "el mirror difiere" y ensuciaria el informe con diferencias que no lo son.
+"""
+import os, re, sys, time, json, hashlib, subprocess, threading, collections
+import concurrent.futures
+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")
+PAUSA = float(sys.argv[1]) if len(sys.argv) > 1 else 0.35
+WORKERS = int(sys.argv[2]) if len(sys.argv) > 2 else 1
+
+JSONL = os.path.join(DIR, "parity-full.jsonl")
+PROG = os.path.join(DIR, "parity-full.progress")
+OUT = os.path.join(DIR, "parity-report-full.json")
+
+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+")
+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")) if l.strip()]
+
+# Reanudable: lo ya comprobado no se repite.
+hechas = set()
+if os.path.exists(JSONL):
+    for line in open(JSONL, encoding="utf-8"):
+        try:
+            hechas.add(json.loads(line)["url"])
+        except Exception:
+            pass
+
+pendientes = [u for u in urls if u not in hechas]
+print(f"inventario={len(urls)} ya_hechas={len(hechas)} pendientes={len(pendientes)} "
+      f"pausa={PAUSA}s workers={WORKERS}", flush=True)
+
+t0 = time.time()
+lock = threading.Lock()
+contador = {"n": 0}
+codigos = collections.Counter()
+
+
+def comprueba(u):
+    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):
+        return {"url": u, "estado": "falta_fichero"}
+
+    disk = open(fp, encoding="utf-8", errors="replace").read()
+    salida = subprocess.run(
+        ["curl", "-s", "-w", "\n%{http_code}", "--max-time", "60",
+         "-H", "Host: antiguo.feadulta.com", "http://127.0.0.1:8086" + path],
+        capture_output=True).stdout.decode("utf-8", "replace")
+    live, _, code = salida.rpartition("\n")
+    code = code.strip() or "000"
+
+    td, tl = title(disk), title(live)
+    hd, ld = texthash(disk)
+    hl, ll = texthash(live)
+    if PAUSA:
+        time.sleep(PAUSA)
+    return {"url": u, "estado": "ok", "http_vivo": code,
+            "titulo_igual": td == tl, "texto_igual": hd == hl,
+            "titulo_mirror": td[:120], "titulo_vivo": tl[:120],
+            "len_mirror": ld, "len_vivo": ll}
+
+
+with open(JSONL, "a", encoding="utf-8") as fh:
+    with concurrent.futures.ThreadPoolExecutor(max_workers=WORKERS) as ex:
+        for d in ex.map(comprueba, pendientes):
+            with lock:
+                fh.write(json.dumps(d, ensure_ascii=False) + "\n")
+                contador["n"] += 1
+                i = contador["n"]
+                codigos[d.get("http_vivo", "-")] += 1
+                if i % 100 == 0:
+                    fh.flush()
+                    hechas_tot = len(hechas) + i
+                    ritmo = i / max(time.time() - t0, 1)
+                    queda = (len(pendientes) - i) / max(ritmo, 0.001) / 60
+                    open(PROG, "w").write(
+                        f"{hechas_tot}/{len(urls)} ({100*hechas_tot/len(urls):.1f}%) "
+                        f"ritmo={ritmo:.2f}/s ETA={queda:.0f}min "
+                        f"http_vivo={dict(codigos)}\n")
+
+# Resumen final a partir del JSONL completo.
+res = {"inventario": len(urls), "comprobadas": 0, "falta_fichero": 0,
+       "vivo_no_200": 0, "http_vivo": {},
+       "titulo_igual": 0, "titulo_distinto": 0, "texto_igual": 0, "texto_distinto": 0,
+       "diffs": []}
+for line in open(JSONL, encoding="utf-8"):
+    d = json.loads(line)
+    if d["estado"] == "falta_fichero":
+        res["falta_fichero"] += 1
+        res["diffs"].append({"url": d["url"], "motivo": "fichero ausente"})
+        continue
+    code = d.get("http_vivo", "?")
+    res["http_vivo"][code] = res["http_vivo"].get(code, 0) + 1
+    if code not in ("200", "?"):
+        # El Joomla local fallo en esta peticion: no es una diferencia del mirror.
+        res["vivo_no_200"] += 1
+        res["diffs"].append({"url": d["url"], "motivo": "joomla local " + code})
+        continue
+    res["comprobadas"] += 1
+    if d["titulo_igual"]:
+        res["titulo_igual"] += 1
+    else:
+        res["titulo_distinto"] += 1
+        res["diffs"].append({"url": d["url"], "motivo": "titulo",
+                             "mirror": d["titulo_mirror"], "vivo": d["titulo_vivo"]})
+    if d["texto_igual"]:
+        res["texto_igual"] += 1
+    else:
+        res["texto_distinto"] += 1
+        res["diffs"].append({"url": d["url"], "motivo": "texto",
+                             "len_mirror": d["len_mirror"], "len_vivo": d["len_vivo"]})
+
+json.dump(res, open(OUT, "w"), indent=2, ensure_ascii=False)
+for k in ("inventario", "comprobadas", "falta_fichero", "vivo_no_200", "http_vivo",
+          "titulo_igual", "titulo_distinto", "texto_igual", "texto_distinto"):
+    print(k, "=", res[k])
+print("informe:", OUT)

mirror-antiguo/scripts/51-diff-paridad.sh

@@ -0,0 +1,11 @@
+#!/bin/bash
+# Averigua QUE cambia entre el fichero capturado y lo que sirve ahora el Joomla local
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+R=$BASE/runs/$RUN/raw/antiguo.feadulta.com
+P=${1:-/es/buscadoravanzado/item/16690-el-dios-de-trump.html}
+
+curl -s -H 'Host: antiguo.feadulta.com' "http://127.0.0.1:8086$P" > /tmp/vivo.html
+diff <(sed 's/></>\n</g' "$R$P") <(sed 's/></>\n</g' /tmp/vivo.html) | head -30
+echo "=== (fin del diff) ==="

mirror-antiguo/scripts/52-check-alias-interrogante.sh

@@ -0,0 +1,19 @@
+#!/bin/bash
+# Comprueba que los alias con '?' literal SI estan capturados, con el nombre truncado en el '?'
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+R=$BASE/runs/$RUN/raw/antiguo.feadulta.com
+INV=$BASE/inventory/urls-input.txt
+
+grep '?' "$INV" | grep -v 'Itemid=' > /tmp/alias-q.txt
+echo "URLs del inventario con '?' en el alias: $(wc -l < /tmp/alias-q.txt)"
+ok=0; miss=0
+while read -r u; do
+  p=${u#http://antiguo.feadulta.com}
+  p=${p%%\?*}                       # ruta real = hasta el primer '?'
+  if [ -f "$R$p" ]; then ok=$((ok+1)); else miss=$((miss+1)); echo "  FALTA $p"; fi
+done < /tmp/alias-q.txt
+echo "presentes=$ok  ausentes=$miss"
+echo
+echo "ejemplo:"; ls -la "$R/es/buscadoravanzado/item/715-"* 2>/dev/null | head -3

mirror-antiguo/scripts/53-pase-d2-anterior-inventario.sh

@@ -0,0 +1,45 @@
+#!/bin/bash
+# Pase D (corregido): /anterior por INVENTARIO, no por recursion.
+#
+# La recursion sobre /anterior funcionaba, pero se estaba comiendo el tiempo en 404: la web antigua
+# esta llena de enlaces rotos (imagenes de los `_archivos/` de exportaciones de Word que ya no
+# existen). Iban 3.050 aciertos por 2.744 fallos. Misma leccion del post-mortem: acotar por
+# inventario. Aqui el inventario es el listado de ficheros del snapshot restaurado — solo la LISTA
+# DE RUTAS, igual que se hace con la BD; el contenido se sigue capturando por HTTP.
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+SRC=$BASE/restore/web/anterior
+W=${WORKERS:-4}
+
+pkill -f 'antiguo.feadulta.com/anterior/$' && echo "recursion detenida" || echo "recursion ya parada"
+sleep 2
+
+cd "$BASE/restore/web"
+find anterior -type f ! -iname '*.php' -printf '%p\n' \
+  | sed 's#^#http://antiguo.feadulta.com/#' \
+  | sort -u > "$D/anterior-input.txt"
+echo "inventario de /anterior: $(wc -l < "$D/anterior-input.txt") ficheros (excluidos los .php)"
+echo "php excluidos: $(find anterior -type f -iname '*.php' | wc -l)"
+
+mkdir -p "$D/chunks-d"; rm -f "$D/chunks-d"/*.txt
+split -n l/$W -d --additional-suffix=.txt "$D/anterior-input.txt" "$D/chunks-d/d-"
+
+date -u +%FT%TZ > "$D/logs/passD2.start"
+for c in "$D/chunks-d"/d-*.txt; do
+  b=$(basename "$c" .txt)
+  wget --input-file="$c" \
+    --force-directories --directory-prefix="$D/raw" \
+    --no-verbose --no-clobber -e robots=off \
+    --user-agent='feadulta-archiver/1.0 (+incident-183; mirror local)' \
+    --wait=0.02 --tries=2 --timeout=45 --waitretry=3 \
+    --output-file="$D/logs/wget-$b.log" &
+done
+wait
+date -u +%FT%TZ > "$D/logs/passD2.end"
+
+echo "PASE D TERMINADO"
+echo "ficheros bajo /anterior: $(find "$D/raw/antiguo.feadulta.com/anterior" -type f | wc -l)"
+du -sh "$D/raw/antiguo.feadulta.com/anterior"
+grep -hoE 'ERROR [0-9]+' "$D/logs"/wget-d-*.log | sort | uniq -c

mirror-antiguo/scripts/54-cobertura.py

@@ -0,0 +1,47 @@
+#!/usr/bin/env python3
+"""Cobertura real: cada URL del inventario debe tener su fichero en raw/.
+
+Contempla las tres formas en que wget nombra el fichero:
+  /es/x.html                -> x.html
+  /es/                      -> index.html
+  /es/x?.html  (alias con '?' literal)  -> "x?.html"  o  "x"
+"""
+import os, json
+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)
+RAW = os.path.join(DIR, "raw", "antiguo.feadulta.com")
+
+def candidates(url):
+    rest = url.split("antiguo.feadulta.com", 1)[1]
+    rest = unquote(rest)
+    yield rest.lstrip("/")                      # nombre literal, con '?' incluido
+    p = urlsplit(rest).path.lstrip("/")
+    yield p                                     # truncado en el '?'
+    if rest.endswith("/") or p.endswith("/") or p == "":
+        yield (p + "index.html")
+
+ok, missing = 0, []
+urls = [l.strip() for l in open(os.path.join(BASE, "inventory", "urls-input.txt")) if l.strip()]
+for u in urls:
+    if any(os.path.isfile(os.path.join(RAW, c)) for c in candidates(u) if c):
+        ok += 1
+    else:
+        missing.append(u)
+
+print("inventario:", len(urls))
+print("con fichero en raw/:", ok)
+print("sin fichero:", len(missing))
+print("cobertura: %.2f%%" % (ok * 100.0 / len(urls)))
+with open(os.path.join(DIR, "coverage-missing.txt"), "w") as f:
+    for u in missing:
+        f.write(u + "\n")
+for u in missing[:25]:
+    print("  ", u)
+
+total = sum(len(fs) for _r, _d, fs in os.walk(os.path.join(DIR, "raw")))
+json.dump({"inventario": len(urls), "capturadas": ok, "sin_fichero": len(missing),
+           "cobertura_pct": round(ok * 100.0 / len(urls), 2), "ficheros_totales_raw": total},
+          open(os.path.join(DIR, "coverage-report.json"), "w"), indent=2)

mirror-antiguo/scripts/55-revisa-sospechosos.sh

@@ -0,0 +1,13 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+cd "$D"
+echo "=== ficheros marcados por el escaneo (§4.3.2) ==="
+while read -r f; do
+  echo "----- $f"
+  du -h "$f" 2>/dev/null | cut -f1
+  head -c 200 "$f" | tr -d '\0'
+  echo; echo
+done < "$D/scan-suspicious.txt"

mirror-antiguo/scripts/56-verifica-limpieza.sh

@@ -0,0 +1,14 @@
+#!/bin/bash
+# Que los scripts auxiliares que metimos en la raiz del Joomla restaurado NO esten en el mirror
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+echo "=== _genurls.php / _inv/ dentro de raw ==="
+find "$D/raw" \( -name '_genurls.php' -o -path '*_inv*' \) | wc -l
+echo "=== cualquier .php en raw ==="
+find "$D/raw" -iname '*.php' | head
+echo "(total: $(find "$D/raw" -iname '*.php' | wc -l))"
+echo
+echo "=== auxiliares presentes en el Joomla restaurado (fuera del mirror) ==="
+ls "$BASE/restore/web/_genurls.php" "$BASE/restore/web/_inv/" 2>/dev/null

mirror-antiguo/scripts/57-lista-22.sh

@@ -0,0 +1,14 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+echo "=== coincidencias de '_inv' o '_genurls' en raw ==="
+find "$D/raw" \( -name '_genurls.php' -o -path '*_inv*' \) | head -25
+echo
+echo "=== index.php capturado: que contiene ==="
+f="$D/raw/antiguo.feadulta.com/index.php"
+ls -la "$f" | sed 's/\(.\{120\}\).*/\1/'
+head -c 200 "$f"
+echo; echo
+echo "contiene '<?php': $(grep -c '<?php' "$f" || true)"

mirror-antiguo/scripts/58-verifica-site.sh

@@ -0,0 +1,20 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+S=$D/site/antiguo.feadulta.com
+echo "ficheros en site: $(find "$D/site" -type f | wc -l)"; du -sh "$D/site"
+echo "con '?' en el nombre: $(find "$D/site" -type f -name '*[?]*' | wc -l)"
+echo "con print=1:          $(find "$D/site" -type f -name '*print=1*' | wc -l)"
+echo
+echo "=== el caso 715 ==="
+ls "$S/es/buscadoravanzado/item/715-"* 2>/dev/null
+echo
+echo "=== assets cache-busted: existe la copia limpia? ==="
+for f in media/system/js/core.js media/jui/js/jquery.min.js components/com_k2/css/k2.css; do
+  printf '%-45s %s\n' "$f" "$([ -f "$S/$f" ] && echo OK || echo FALTA)"
+done
+echo
+echo "=== enlaces absolutos que queden a antiguo.feadulta.com ==="
+grep -rl 'http://antiguo.feadulta.com' "$S/es" 2>/dev/null | wc -l

mirror-antiguo/scripts/59-recopia-nombres-limpios.py

@@ -0,0 +1,30 @@
+#!/usr/bin/env python3
+"""Rehace las copias de nombre limpio DESPUES de la reescritura de enlaces.
+
+El orden importaba: en `45-normalize-links.py` las copias se creaban antes de reescribir, asi que
+`titulo?.html` quedaba reescrito pero su copia `titulo` (sin extension, la que pedira el navegador)
+conservaba los enlaces absolutos. Aqui se rehacen desde el fichero ya reescrito.
+"""
+import os, shutil
+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")
+
+st = Counter()
+for root, _d, files in os.walk(SITE):
+    for fn in list(files):
+        if "?" not in fn:
+            continue
+        base = fn.split("?", 1)[0]
+        if not base:
+            continue
+        src, dst = os.path.join(root, fn), os.path.join(root, base)
+        if os.path.exists(dst) and os.path.getmtime(dst) >= os.path.getmtime(src):
+            st["ya_al_dia"] += 1
+            continue
+        shutil.copy2(src, dst)
+        st["recopiados"] += 1
+
+print(dict(st))

mirror-antiguo/scripts/60-quitar-ua.py

@@ -0,0 +1,74 @@
+#!/usr/bin/env python3
+"""Quita el tag de Google Analytics clasico (UA-32008163-1) del mirror servible.
+
+UA dejo de procesar datos en julio de 2023: el snippet solo sirve para pedir un
+ga.js muerto en cada carga. Se quita el bloque <script> ENTERO que lo contiene,
+no solo la linea del ID, porque dejar el `_gaq.push` suelto no ahorra la peticion.
+
+**GA4 (G-6RT9ZRS4LW) se queda**: es un bloque <script> distinto y Rafa quiere
+seguir midiendo el archivo (#180 comment-504, decision 4).
+
+Solo se toca `site/` (el arbol servible). `raw/` queda intacto como captura fiel
+del original, igual que se hizo con los botones sociales.
+
+Uso: python3 60-quitar-ua.py [--dry-run]
+"""
+import os, re, sys, hashlib
+
+DRY = "--dry-run" in sys.argv
+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")
+
+UA = "UA-32008163-1"
+GA4 = "G-6RT9ZRS4LW"
+
+# Bloque <script>…</script> que contiene el UA. El (?:(?!</script>).)*? impide
+# que el .*? se coma varios bloques seguidos y se lleve por delante el GA4.
+BLOQUE = re.compile(
+    r"[ \t]*<script[^>]*>(?:(?!</script>).)*?" + re.escape(UA) +
+    r"(?:(?!</script>).)*?</script>\s*", re.S)
+
+tocados = errores = 0
+sin_ga4 = []
+bytes_antes = bytes_despues = 0
+
+for raiz, _, ficheros in os.walk(SITE):
+    for f in ficheros:
+        if not f.lower().endswith((".html", ".htm")) and "." in f:
+            continue
+        ruta = os.path.join(raiz, f)
+        try:
+            txt = open(ruta, encoding="utf-8", errors="surrogateescape").read()
+        except (OSError, UnicodeDecodeError):
+            continue
+        if UA not in txt:
+            continue
+
+        tenia_ga4 = GA4 in txt
+        nuevo, n = BLOQUE.subn("\n", txt)
+
+        if UA in nuevo:
+            # El bloque no casó: no dejar el fichero a medias, mejor avisar.
+            errores += 1
+            continue
+        if tenia_ga4 and GA4 not in nuevo:
+            sin_ga4.append(ruta)
+            continue
+
+        bytes_antes += len(txt)
+        bytes_despues += len(nuevo)
+        tocados += 1
+        if not DRY:
+            with open(ruta, "w", encoding="utf-8", errors="surrogateescape") as fh:
+                fh.write(nuevo)
+
+print(f"ficheros modificados : {tocados}")
+print(f"no casó el patron    : {errores}")
+print(f"habrian perdido GA4  : {len(sin_ga4)}")
+for r in sin_ga4[:5]:
+    print("   ", r)
+if tocados:
+    print(f"bytes                : {bytes_antes:,} -> {bytes_despues:,} "
+          f"({bytes_antes - bytes_despues:,} menos)")
+print("(DRY RUN, no se ha escrito nada)" if DRY else "escrito")

mirror-antiguo/scripts/60-restaurar-entorno.sh

@@ -0,0 +1,12 @@
+#!/bin/bash
+# Devuelve el entorno a como estaba: rearranca los contenedores parados durante el crawl
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+STOPPED=$BASE/stopped-containers.txt
+[ -s "$STOPPED" ] || { echo "no hay lista de contenedores parados"; exit 0; }
+while read -r c; do
+  [ -n "$c" ] && docker start "$c" >/dev/null && echo "arrancado $c"
+done < "$STOPPED"
+mv "$STOPPED" "$STOPPED.hecho-$(date -u +%Y%m%dT%H%M%SZ)"
+sleep 5
+docker ps --format '{{.Names}} {{.Status}}'

mirror-antiguo/scripts/70-smoke-nginx.sh

@@ -0,0 +1,38 @@
+#!/bin/bash
+# Prueba de humo del despliegue: sirve site/ con nginx y comprueba que las rutas criticas
+# responden 200 con el Content-Type correcto. Local, en el puerto 8087, se borra al terminar.
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+S=$BASE/runs/$RUN/site/antiguo.feadulta.com
+
+docker rm -f mirror-nginx-test >/dev/null 2>&1
+docker run -d --name mirror-nginx-test --memory 256m \
+  -p 127.0.0.1:8087:80 \
+  -v "$S":/usr/share/nginx/html:ro \
+  -v "$BASE/deploy/nginx-mirror.conf":/etc/nginx/conf.d/default.conf:ro \
+  nginx:alpine >/dev/null
+sleep 3
+
+probe() {
+  local u="$1" desc="$2"
+  read -r code ctype < <(curl -s -o /dev/null -w '%{http_code} %{content_type}' "http://127.0.0.1:8087$u"; echo)
+  printf '%-6s %-28s %-58s %s\n' "$code" "$ctype" "$u" "$desc"
+}
+
+echo "codigo content-type                  url"
+probe "/es/" "portada"
+probe "/es/carta/estasemana.html" "carta: esta semana"
+probe "/es/buscadoravanzado/item/9-experiencia-pascual.html" "item K2"
+probe "/es/buscadoravanzado/item/715-%C2%BFqui%C3%A9n-es-jes%C3%BAs" "item con '?' en el alias"
+probe "/es/buscadoravanzado/itemlist/user/569-agust%C3%ADnud%C3%ADasvallina.html" "pagina de autor K2"
+probe "/es/lista-completa-de-autores-por-orden-alfabetico.html" "listado de autores"
+probe "/anterior/" "web anterior (indice)"
+probe "/media/system/js/core.js" "js con cache-busting"
+probe "/components/com_k2/css/k2.css" "css de K2"
+probe "/es/no-existe-esta-pagina.html" "404 esperado"
+
+echo
+echo "=== la portada trae contenido de verdad? ==="
+curl -s http://127.0.0.1:8087/es/ | grep -o '<title>[^<]*</title>' | head -1
+curl -s http://127.0.0.1:8087/es/ | wc -c

mirror-antiguo/scripts/71-manifest-site.sh

@@ -0,0 +1,13 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+cd "$D/site" && find . -type f -print0 | sort -z | xargs -0 sha256sum > "$D/MANIFEST-site.sha256"
+cd "$D"
+echo "MANIFEST-raw:  $(wc -l < MANIFEST-raw.sha256) ficheros"
+echo "MANIFEST-site: $(wc -l < MANIFEST-site.sha256) ficheros"
+du -sh raw site
+echo
+echo "=== contenido de la corrida ==="
+ls -la "$D" | grep -vE '^d.*(raw|site|chunks|logs)$'

mirror-antiguo/scripts/80-sync-hetzner.sh

@@ -0,0 +1,22 @@
+#!/bin/bash
+# Sincroniza el arbol servible con el Hetzner. Solo lo que ha cambiado.
+#
+# --delete es intencionado: el servidor debe ser copia exacta de site/, ni un
+# fichero de mas. Por eso se comprueba antes que el origen NO esta vacio: un
+# origen vacio con --delete borraria el sitio entero.
+set -euo pipefail
+
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+SRC="$BASE/runs/$RUN/site/antiguo.feadulta.com/"
+DST=root@188.40.120.157:/data/feadulta-antiguo/site/antiguo.feadulta.com/
+
+n=$(find "$SRC" -type f | wc -l)
+echo "origen: $SRC"
+echo "ficheros en origen: $n"
+if [ "$n" -lt 60000 ]; then
+  echo "ABORTADO: el origen tiene menos ficheros de los esperados. No se sincroniza."
+  exit 1
+fi
+
+rsync -a --delete --stats --human-readable "$SRC" "$DST"

mirror-antiguo/scripts/80-wayback-inventario.sh

@@ -0,0 +1,17 @@
+#!/bin/bash
+# Fuente F3 del plan: inventario historico de URLs segun Internet Archive.
+# No toca el origen ni produccion; es una consulta de solo lectura a web.archive.org.
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+INV=$BASE/inventory
+mkdir -p "$INV"
+
+for host in antiguo.feadulta.com feadulta.com; do
+  out="$INV/wayback-${host%%.*}.txt"
+  echo "-> $host"
+  curl -s --max-time 300 \
+    "https://web.archive.org/cdx/search/cdx?url=${host}*&output=text&fl=original&collapse=urlkey&limit=200000" \
+    > "$out"
+  echo "   $(wc -l < "$out") URLs"
+done
+wc -l "$INV"/wayback-*.txt

mirror-antiguo/scripts/81-cobertura-wayback.py

@@ -0,0 +1,70 @@
+#!/usr/bin/env python3
+"""Cruza el inventario historico de Internet Archive contra el mirror.
+
+Responde a la pregunta de aceptacion que de verdad importa: **de las URLs legacy que el mundo
+exterior tiene enlazadas, cuantas resuelven en el mirror**. Sustituto parcial de la fuente F2 (GA4),
+que sigue bloqueada porque requiere que Rafa abra el OAuth a mano.
+"""
+import os, json
+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")
+
+def existe(path):
+    p = unquote(path).lstrip("/")
+    for c in (p, p.split("?", 1)[0], os.path.join(p, "index.html")):
+        if c and os.path.isfile(os.path.join(SITE, c)):
+            return True
+    return False
+
+paths, cats = set(), Counter()
+for fn in ("wayback-antiguo.txt", "wayback-feadulta.txt"):
+    for line in open(os.path.join(BASE, "inventory", fn), errors="replace"):
+        u = line.strip()
+        if not u:
+            continue
+        p = urlsplit(u).path
+        q = urlsplit(u).query
+        if q:                      # las URLs con query no forman parte del mirror estatico
+            cats["con_query (fuera de alcance)"] += 1
+            continue
+        if not p or p == "/":
+            cats["raiz"] += 1
+            continue
+        paths.add(p)
+
+ok, missing = 0, []
+for p in sorted(paths):
+    if existe(p):
+        ok += 1
+    else:
+        missing.append(p)
+
+print("URLs distintas de Wayback sin query:", len(paths))
+print("presentes en el mirror:", ok, "(%.1f%%)" % (ok * 100.0 / max(len(paths), 1)))
+print("ausentes:", len(missing))
+for k, v in cats.most_common():
+    print("  %s: %s" % (k, v))
+
+# clasificar las ausentes para ver si importan
+tipo = Counter()
+for p in missing:
+    seg = p.strip("/").split("/")[0] if p.strip("/") else "(raiz)"
+    tipo[seg] += 1
+print("\n--- ausentes por primer segmento ---")
+for k, v in tipo.most_common(20):
+    print("%7d  %s" % (v, k))
+
+with open(os.path.join(DIR, "wayback-missing.txt"), "w") as f:
+    for p in missing:
+        f.write(p + "\n")
+json.dump({"wayback_paths": len(paths), "presentes": ok, "ausentes": len(missing),
+           "pct": round(ok * 100.0 / max(len(paths), 1), 2)},
+          open(os.path.join(DIR, "wayback-report.json"), "w"), indent=2)
+print("\n--- muestra de ausentes ---")
+for p in missing[:20]:
+    print("  ", p)

mirror-antiguo/scripts/82-wayback-es.py

@@ -0,0 +1,63 @@
+#!/usr/bin/env python3
+"""Afina el cruce con Wayback: solo las URLs /es/ (el Joomla legacy), que es lo que el mirror cubre.
+
+El 52 % global del script anterior mezcla peras con manzanas: Wayback conoce feadulta.com desde
+antes de que existiera el Joomla (ficheros .htm sueltos en la raiz, que hoy viven bajo /anterior/) y
+tambien el WordPress actual (/wp-content, /wp-json). Nada de eso forma parte del mirror del legacy.
+"""
+import os, json, re
+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")
+
+def existe(path):
+    p = unquote(path).lstrip("/")
+    for c in (p, p.split("?", 1)[0], os.path.join(p, "index.html")):
+        if c and os.path.isfile(os.path.join(SITE, c)):
+            return True
+    return False
+
+paths = set()
+for fn in ("wayback-antiguo.txt", "wayback-feadulta.txt"):
+    for line in open(os.path.join(BASE, "inventory", fn), errors="replace"):
+        u = line.strip()
+        if not u:
+            continue
+        s = urlsplit(u)
+        if s.query:
+            continue
+        if s.path.startswith("/es/"):
+            paths.add(s.path)
+
+ok, missing = 0, []
+for p in sorted(paths):
+    if existe(p):
+        ok += 1
+    else:
+        missing.append(p)
+
+print("URLs /es/ conocidas por Wayback:", len(paths))
+print("resuelven en el mirror:", ok, "(%.1f%%)" % (ok * 100.0 / max(len(paths), 1)))
+print("no resuelven:", len(missing))
+
+tipo = Counter()
+for p in missing:
+    seg = p.split("/")
+    tipo["/".join(seg[:3])] += 1
+print("\n--- las que faltan, por seccion ---")
+for k, v in tipo.most_common(15):
+    print("%7d  %s" % (v, k))
+
+json.dump({"wayback_es_paths": len(paths), "presentes": ok, "ausentes": len(missing),
+           "pct": round(ok * 100.0 / max(len(paths), 1), 2)},
+          open(os.path.join(DIR, "wayback-es-report.json"), "w"), indent=2)
+with open(os.path.join(DIR, "wayback-es-missing.txt"), "w") as f:
+    for p in missing:
+        f.write(p + "\n")
+print("\n--- muestra ---")
+for p in missing[:15]:
+    print("  ", p)

mirror-antiguo/scripts/83-contraste-wayback.py

@@ -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"))

mirror-antiguo/scripts/84-inspecciona-terceros.sh

@@ -0,0 +1,27 @@
+#!/bin/bash
+# Que codigo de terceros lleva realmente el mirror: GTM y botones sociales
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+S=$BASE/runs/$RUN/site/antiguo.feadulta.com
+P=$S/es/buscadoravanzado/item/9-experiencia-pascual.html
+
+echo "=== IDs de contenedor GTM/GA que aparecen en el mirror ==="
+grep -rhoE 'GTM-[A-Z0-9]+|UA-[0-9]+-[0-9]+|G-[A-Z0-9]+' "$S/es" 2>/dev/null | sort | uniq -c | sort -rn | head
+
+echo
+echo "=== bloque GTM en una pagina de ejemplo ==="
+grep -o 'googletagmanager[^<]*' "$P" | head -3
+grep -B2 -A6 'googletagmanager' "$P" | head -25
+
+echo
+echo "=== bloques sociales en esa misma pagina ==="
+grep -oE '<script[^>]*(connect\.facebook\.net|platform\.twitter\.com)[^>]*>' "$P" | head
+grep -oE '(fb-root|fb-like|twitter-share-button|fb:like|data-href="[^"]*")' "$P" | head -10
+
+echo
+echo "=== cuantas paginas llevan cada cosa ==="
+printf 'googletagmanager : %s\n' "$(grep -rl 'googletagmanager' "$S" 2>/dev/null | wc -l)"
+printf 'connect.facebook : %s\n' "$(grep -rl 'connect.facebook.net' "$S" 2>/dev/null | wc -l)"
+printf 'platform.twitter : %s\n' "$(grep -rl 'platform.twitter.com' "$S" 2>/dev/null | wc -l)"
+printf 'cdnjs.cloudflare : %s\n' "$(grep -rl 'cdnjs.cloudflare.com' "$S" 2>/dev/null | wc -l)"

mirror-antiguo/scripts/85-marca-social.sh

@@ -0,0 +1,14 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+S=$BASE/runs/$RUN/site/antiguo.feadulta.com
+P=$S/es/buscadoravanzado/item/9-experiencia-pascual.html
+
+echo "=== lineas con twitter / facebook / fb- ==="
+grep -n -E 'platform\.twitter|connect\.facebook|fb-root|fb-like|twitter-share-button' "$P" \
+  | cut -c1-400
+echo
+echo "=== 12 lineas alrededor de la primera aparicion ==="
+n=$(grep -n 'twitter-share-button\|platform.twitter' "$P" | head -1 | cut -d: -f1)
+sed -n "$((n-6)),$((n+14))p" "$P" | cut -c1-300

mirror-antiguo/scripts/86-survey-social.py

@@ -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))

mirror-antiguo/scripts/87-quita-social.py

@@ -0,0 +1,108 @@
+#!/usr/bin/env python3
+"""Quita los botones sociales del derivado `site/`. `raw/` no se toca.
+
+El bloque de K2 es uniforme en las 16.708 paginas que lo llevan: `<div class="itemSocialSharing">`
+contiene el boton de Twitter, el de Facebook y un clearfix, nada mas (comprobado con
+86-survey-social.py sobre 400 paginas: 0 variantes). Se elimina el bloque entero, asi no quedan
+huecos ni botones rotos.
+
+Red de seguridad: fuera del bloque tambien se eliminan los <script> a esos dos hosts y cualquier
+`<div id="fb-root">` suelto.
+"""
+import os, re, json
+from collections import Counter
+
+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")
+
+OPEN = re.compile(r'<div\b[^>]*class="[^"]*itemSocialSharing[^"]*"[^>]*>', re.I)
+DIV = re.compile(r'<div\b[^>]*>|</div>', re.I)
+SOCIAL_SCRIPT = re.compile(
+    r'<script[^>]+src="[^"]*(?:platform\.twitter\.com|connect\.facebook\.net)[^"]*"[^>]*>\s*</script>',
+    re.I)
+FB_ROOT = re.compile(r'<div\s+id="fb-root"\s*>\s*</div>', re.I)
+TW_ANCHOR = re.compile(r'<a\b[^>]*class="[^"]*twitter-share-button[^"]*"[^>]*>.*?</a>', re.I | re.S)
+FB_LIKE = re.compile(r'<div\b[^>]*class="[^"]*fb-like[^"]*"[^>]*>\s*</div>', re.I)
+
+AVISO = ('<!-- botones sociales retirados del archivo historico '
+         '(no procede compartir ni cargar SDK de terceros) -->')
+
+
+def es_html(path, fn):
+    """Decidir por extension no basta en este mirror: conviven `x.html?tmpl=…` (la extension esta
+    antes de la query) y `x?.html` con su copia `x` sin extension (alias de K2 con '?' literal).
+    Para esos casos se mira el contenido, que es lo unico fiable."""
+    base = fn.split("?", 1)[0].lower()
+    if base.endswith((".html", ".htm")) or fn.lower().endswith((".html", ".htm")):
+        return True
+    if "." in fn.split("/")[-1].split("?", 1)[0]:
+        return False                      # tiene otra extension (jpg, mp3, css…)
+    try:
+        with open(path, "rb") as f:
+            cabeza = f.read(512).lstrip().lower()
+        return cabeza.startswith(b"<!doctype html") or cabeza.startswith(b"<html")
+    except OSError:
+        return False
+
+
+def quita_bloques(html, st):
+    out, pos = [], 0
+    while True:
+        m = OPEN.search(html, pos)
+        if not m:
+            out.append(html[pos:])
+            return "".join(out)
+        depth, fin = 0, None
+        for d in DIV.finditer(html, m.start()):
+            if d.group(0).lower().startswith("</"):
+                depth -= 1
+                if depth == 0:
+                    fin = d.end()
+                    break
+            else:
+                depth += 1
+        if fin is None:                       # bloque sin cerrar: no lo tocamos
+            st["bloques_sin_cerrar"] += 1
+            out.append(html[pos:m.end()])
+            pos = m.end()
+            continue
+        out.append(html[pos:m.start()])
+        out.append(AVISO)
+        st["bloques_retirados"] += 1
+        pos = fin
+
+
+def main():
+    st = Counter()
+    for root, _d, files in os.walk(SITE):
+        for fn in files:
+            p = os.path.join(root, fn)
+            if not es_html(p, fn):
+                continue
+            try:
+                html = open(p, encoding="utf-8", errors="replace").read()
+            except OSError:
+                continue
+            if not any(k in html for k in
+                       ("itemSocialSharing", "platform.twitter.com", "connect.facebook.net", "fb-root")):
+                continue
+            orig = html
+            html = quita_bloques(html, st)
+            html, n = SOCIAL_SCRIPT.subn("", html); st["scripts_sueltos"] += n
+            html, n = TW_ANCHOR.subn("", html);     st["botones_twitter_sueltos"] += n
+            html, n = FB_LIKE.subn("", html);       st["botones_fb_sueltos"] += n
+            html, n = FB_ROOT.subn("", html);       st["fb_root_sueltos"] += n
+            if html != orig:
+                open(p, "w", encoding="utf-8").write(html)
+                st["ficheros_modificados"] += 1
+
+    out = os.path.join(DIR, "social-removal.json")
+    json.dump(dict(st), open(out, "w"), indent=2, ensure_ascii=False)
+    print(json.dumps(dict(st), indent=2, ensure_ascii=False))
+    print("informe:", out)
+
+
+if __name__ == "__main__":
+    main()

mirror-antiguo/scripts/88-comprueba-ga.sh

@@ -0,0 +1,19 @@
+#!/bin/bash
+# ¿El ID de medicion del mirror es el MISMO que usa el WordPress vivo?
+# Si lo es, publicar el mirror contaminaria la analitica con la que se decide el cutover.
+set -uo pipefail
+echo "=== ID en el mirror ==="
+echo "G-6RT9ZRS4LW  (GA4)   +   UA-32008163-1  (Universal Analytics, dejo de recoger datos en jul-2023)"
+echo
+echo "=== ids de Google en el WordPress local de feadulta ==="
+for d in /home/rafa/joomla-migration/wordpress /home/rafa/Feadulta; do
+  [ -d "$d" ] || continue
+  echo "--- $d"
+  grep -rhoE 'G-[A-Z0-9]{8,}|UA-[0-9]+-[0-9]+|GTM-[A-Z0-9]+' "$d" 2>/dev/null | sort | uniq -c | sort -rn | head -5
+done
+echo
+echo "=== ids de Google en el repo feadulta (mu-plugins/scripts) ==="
+for d in /home/rafa/feadulta /home/rafa/joomla-migration; do
+  [ -d "$d" ] || continue
+  grep -rhoE 'G-[A-Z0-9]{8,}|UA-[0-9]+-[0-9]+|GTM-[A-Z0-9]+' "$d" --include='*.php' --include='*.py' --include='*.md' 2>/dev/null | sort | uniq -c | sort -rn | head -5
+done

mirror-antiguo/scripts/89-verifica-social.sh

@@ -0,0 +1,17 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+S=$BASE/runs/$RUN/site/antiguo.feadulta.com
+R=$BASE/runs/$RUN/raw/antiguo.feadulta.com
+echo "=== site/ (derivado) ==="
+printf 'connect.facebook.net : %s\n' "$(grep -rl 'connect.facebook.net' "$S" 2>/dev/null | wc -l)"
+printf 'platform.twitter.com : %s\n' "$(grep -rl 'platform.twitter.com' "$S" 2>/dev/null | wc -l)"
+printf 'itemSocialSharing    : %s\n' "$(grep -rl 'itemSocialSharing' "$S" 2>/dev/null | wc -l)"
+printf 'fb-root              : %s\n' "$(grep -rl 'fb-root' "$S" 2>/dev/null | wc -l)"
+echo
+echo "=== raw/ (intacto, debe seguir teniendolos) ==="
+printf 'connect.facebook.net : %s\n' "$(grep -rl 'connect.facebook.net' "$R" 2>/dev/null | wc -l)"
+echo
+echo "=== restos si los hay ==="
+grep -rl 'connect.facebook.net\|platform.twitter.com' "$S" 2>/dev/null | head -5

mirror-antiguo/scripts/89b-los-dos.sh

@@ -0,0 +1,9 @@
+#!/bin/bash
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+S=$BASE/runs/$RUN/site/antiguo.feadulta.com
+grep -rl 'itemSocialSharing' "$S" 2>/dev/null | while read -r f; do
+  echo "--- $f"
+  grep -o '.\{0,80\}itemSocialSharing.\{0,120\}' "$f" | head -3
+done

mirror-antiguo/scripts/90-cierre.sh

@@ -0,0 +1,23 @@
+#!/bin/bash
+# Verificacion de cierre de la noche
+set -uo pipefail
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+D=$BASE/runs/$RUN
+echo "=== snapshot fuente (integridad) ==="
+cd "$BASE/source" && sha256sum -c MANIFEST-source.sha256
+echo
+echo "=== corrida ==="
+echo "run: $RUN"
+du -sh "$D/raw" "$D/site"
+echo "raw:  $(find "$D/raw" -type f | wc -l) ficheros"
+echo "site: $(find "$D/site" -type f | wc -l) ficheros"
+echo
+echo "=== contenedores ==="
+docker ps --format '{{.Names}}\t{{.Status}}' | sort
+echo
+echo "=== mirror servido en 8087 ==="
+curl -s -o /dev/null -w 'portada: %{http_code} %{content_type}\n' http://127.0.0.1:8087/es/
+echo
+echo "=== disco ==="
+df -h /home | tail -1

mirror-antiguo/scripts/91-repone-assets404.sh

@@ -0,0 +1,70 @@
+#!/bin/bash
+# Repone los assets que el crawl no capturo (404 en produccion, 200 en el origen).
+#
+# Entrada: lista de rutas absolutas (una por linea) sacada de los logs de nginx
+# del Hetzner. Origen: el Joomla local restaurado y aislado (127.0.0.1:8086),
+# por HTTP -- nunca copiando el filesystem, mismo principio que el crawl.
+#
+# Escribe en raw/ y en site/: raw/ es el archivo tal cual se capturo, site/ es
+# el arbol servible que sincroniza 80-sync-hetzner.sh.
+set -uo pipefail
+
+BASE=/home/rafa/joomla-migration/mirror-antiguo
+RUN=$(cat "$BASE/CURRENT_RUN")
+DIR=$BASE/runs/$RUN
+RAW=$DIR/raw/antiguo.feadulta.com
+SITE=$DIR/site/antiguo.feadulta.com
+ORIGEN=http://127.0.0.1:8086
+IN=${1:-/tmp/assets404.txt}
+OUT=$DIR/logs/repone-assets-$(date -u +%Y%m%dT%H%M%SZ)
+
+[ -s "$IN" ] || { echo "no hay lista de entrada: $IN"; exit 1; }
+[ -d "$SITE" ] || { echo "no existe $SITE"; exit 1; }
+mkdir -p "$OUT"
+
+ok=0; fail=0; skip=0; ya=0
+while IFS= read -r p; do
+  [ -n "$p" ] || continue
+  case "$p" in
+    /%22*|*'"'*) echo "$p" >> "$OUT/descartados.txt"; skip=$((skip+1)); continue ;;
+  esac
+  dest="$RAW$p"
+  if [ -f "$dest" ]; then echo "$p" >> "$OUT/ya-estaban.txt"; ya=$((ya+1)); continue; fi
+  mkdir -p "$(dirname "$dest")" 2>/dev/null || { echo "$p" >> "$OUT/fallidos.txt"; fail=$((fail+1)); continue; }
+  code=$(curl -s --path-as-is -m 30 -o "$dest.part" -w '%{http_code}' "$ORIGEN$p")
+  if [ "$code" = "200" ] && [ -s "$dest.part" ]; then
+    mv "$dest.part" "$dest"
+    echo "$p" >> "$OUT/repuestos.txt"; ok=$((ok+1))
+  else
+    rm -f "$dest.part"
+    echo "$code $p" >> "$OUT/fallidos.txt"; fail=$((fail+1))
+  fi
+done < "$IN"
+
+echo "repuestos: $ok · fallidos: $fail · descartados: $skip · ya estaban: $ya"
+
+# --- escaneo de seguridad antes de copiar a site/ ---
+echo "== escaneo de PHP embebido en lo descargado =="
+sospechosos=0
+if [ -s "$OUT/repuestos.txt" ]; then
+  while IFS= read -r p; do
+    if head -c 4096 "$RAW$p" 2>/dev/null | grep -qa '<?php'; then
+      echo "  SOSPECHOSO $p"; echo "$p" >> "$OUT/sospechosos.txt"; sospechosos=$((sospechosos+1))
+    fi
+  done < "$OUT/repuestos.txt"
+fi
+echo "  sospechosos: $sospechosos"
+if [ "$sospechosos" -gt 0 ]; then
+  echo "ABORTADO: hay ficheros con PHP embebido. No se copian a site/."
+  exit 1
+fi
+
+# --- copia a site/ ---
+if [ -s "$OUT/repuestos.txt" ]; then
+  while IFS= read -r p; do
+    mkdir -p "$(dirname "$SITE$p")"
+    cp -p "$RAW$p" "$SITE$p"
+  done < "$OUT/repuestos.txt"
+fi
+echo "copiados a site/: $ok"
+echo "detalle en: $OUT"