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>
31 lines
1.1 KiB
Bash
31 lines
1.1 KiB
Bash
#!/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
|