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>
65 lines
2.3 KiB
Python
65 lines
2.3 KiB
Python
#!/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
|