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>
47 lines
1.8 KiB
Bash
47 lines
1.8 KiB
Bash
#!/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
|