rafa
275aff1430
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>
35 lines
1018 B
Bash
35 lines
1018 B
Bash
#!/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"
|