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>
26 lines
910 B
Bash
26 lines
910 B
Bash
#!/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"
|