seo_link: escribir enlaces en el cuerpo, sea cual sea el formato (Tool F)
Faltaba la pieza de ESCRITURA en el cuerpo. El resto de herramientas leen `html`, que Ghost renderiza venga de donde venga, y por eso el formato les da igual; para escribir hay que tocar la fuente, y la fuente viene en tres sabores: lexical con un bloque html los 29 del ES y casi todo el EN lexical con nodos nativos roswell-341 y yellow-sea (extended-text) mobiledoc con tarjetas html lo que genera ResearchOwl HOY en los borradores El tercero se descubrió el 2026-07-21 con el Canarias de prueba: los scripts que veníamos usando asumían lexical y habrían abortado sobre el próximo artículo recién generado. Las salvaguardas son cicatrices de errores reales de estos días: destino en el corpus del sitio correcto, aviso si el destino está programado (enlace prematuro → 404 en la ventana), URL con el canónico de cada sitio (EN www, ES apex), el anchor nunca dentro de un <a> existente, y comprobación de anclas balanceadas y no anidadas antes de escribir. Sin --apply no toca nada. Probado en los tres formatos. El de mobiledoc, de punta a punta contra Ghost con un borrador de usar y tirar: Ghost acepta la escritura, renderiza el enlace, el mobiledoc sigue siendo válido y el texto queda intacto (2.143 palabras antes y después). Borrador borrado tras la prueba. Lo que la herramienta NO hace es decidir: en la prueba encontró «Roswell» dentro de «Roswell Daily Record», que sería un anchor pésimo. Elegir el anchor sigue siendo humano.
This commit is contained in:
ChemaVX
+261
@@ -0,0 +1,261 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
"""
|
||||||
|
Tool F — inserta enlaces internos en el CUERPO de un post (EN o ES, Ghost).
|
||||||
|
|
||||||
|
Es la pieza que faltaba: el resto de herramientas leen `html` (que Ghost
|
||||||
|
renderiza sea cual sea el formato de origen) y por eso les da igual el formato.
|
||||||
|
Escribir en el cuerpo, no: hay que tocar la fuente, y la fuente viene en tres
|
||||||
|
sabores distintos según cuándo y cómo se creó el post.
|
||||||
|
|
||||||
|
1. lexical con UN bloque `html` — los 29 del ES y casi todos los del EN
|
||||||
|
2. lexical con nodos NATIVOS — los dos forenses del EN (roswell-341,
|
||||||
|
yellow-sea); el texto vive en nodos
|
||||||
|
`extended-text` dentro de `paragraph`
|
||||||
|
3. mobiledoc con tarjetas `html` — lo que genera ResearchOwl HOY en los
|
||||||
|
borradores nuevos (descubierto el
|
||||||
|
2026-07-21 con el Canarias de prueba)
|
||||||
|
|
||||||
|
Comprobaciones ANTES de escribir (todas son cicatrices de errores reales):
|
||||||
|
- el slug destino existe en el corpus de ESE sitio (no del otro)
|
||||||
|
- el destino está publicado; si está programado avisa de enlace PREMATURO
|
||||||
|
(daría 404 en la ventana intermedia — caso Wilson-Davis → MJ-12)
|
||||||
|
- la URL se construye con el canónico del sitio: EN es www, ES es el APEX
|
||||||
|
- el anchor aparece en la prosa y NO dentro de un <a> ya existente
|
||||||
|
(casi metemos un <a> anidado en Levelland con «Project Blue Book»)
|
||||||
|
- tras la edición: anclas balanceadas y ninguna anidada
|
||||||
|
|
||||||
|
Uso:
|
||||||
|
python3 seo_link.py <slug> --site es --link "incidente de Roswell=roswell-1947-..."
|
||||||
|
python3 seo_link.py <slug> --site es --link "A=slug-a" --link "B=slug-b" --apply
|
||||||
|
|
||||||
|
Sin --apply no escribe: imprime lo que haría con el contexto de cada inserción.
|
||||||
|
"""
|
||||||
|
import argparse
|
||||||
|
import copy
|
||||||
|
import datetime
|
||||||
|
import json
|
||||||
|
import os
|
||||||
|
import re
|
||||||
|
import subprocess
|
||||||
|
import sys
|
||||||
|
import tempfile
|
||||||
|
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
|
||||||
|
|
||||||
|
SITES = {
|
||||||
|
"en": {"cli": "ghst-en", "base": "https://www.theexclusionzone.com"},
|
||||||
|
"es": {"cli": "ghst-es", "base": "https://zonadeexclusion.com"},
|
||||||
|
}
|
||||||
|
BDIR = os.path.expanduser("~/link-batch-backup")
|
||||||
|
|
||||||
|
# Esquema exacto de los nodos lexical nativos, copiado de un enlace real del
|
||||||
|
# corpus. No inventar campos: Ghost valida y un nodo mal formado se pierde.
|
||||||
|
TEXT_NODE = {"detail": 0, "format": 0, "mode": "normal", "style": "",
|
||||||
|
"text": "", "type": "extended-text", "version": 1}
|
||||||
|
LINK_NODE = {"children": [], "direction": "ltr", "format": "", "indent": 0,
|
||||||
|
"type": "link", "version": 1, "rel": None, "target": None,
|
||||||
|
"title": None, "url": ""}
|
||||||
|
|
||||||
|
|
||||||
|
def sh(cmd, timeout=240):
|
||||||
|
return subprocess.run(cmd, shell=True, capture_output=True, text=True, timeout=timeout)
|
||||||
|
|
||||||
|
|
||||||
|
def fetch_corpus(cli):
|
||||||
|
"""Corpus completo (published + scheduled). A fichero: un PIPE se trunca."""
|
||||||
|
fd, path = tempfile.mkstemp(suffix=".json")
|
||||||
|
os.close(fd)
|
||||||
|
try:
|
||||||
|
sh(f"{cli} post list --limit 100 --formats lexical,mobiledoc,html --json > {path}")
|
||||||
|
with open(path) as f:
|
||||||
|
d = json.load(f)
|
||||||
|
return d.get("posts", d) if isinstance(d, dict) else d
|
||||||
|
finally:
|
||||||
|
os.unlink(path)
|
||||||
|
|
||||||
|
|
||||||
|
# ---------- detección de formato ----------
|
||||||
|
|
||||||
|
def body_format(post):
|
||||||
|
lex = post.get("lexical")
|
||||||
|
if lex:
|
||||||
|
kids = json.loads(lex)["root"]["children"]
|
||||||
|
if len(kids) == 1 and kids[0].get("type") == "html":
|
||||||
|
return "lexical-html"
|
||||||
|
return "lexical-nativo"
|
||||||
|
if post.get("mobiledoc"):
|
||||||
|
return "mobiledoc"
|
||||||
|
return None
|
||||||
|
|
||||||
|
|
||||||
|
# ---------- inserción en HTML (vale para lexical-html y mobiledoc) ----------
|
||||||
|
|
||||||
|
def link_in_html(html, anchor, url):
|
||||||
|
"""Primer <p> con el anchor FUERA de cualquier <a>. -> (html, ok, contexto)"""
|
||||||
|
hecho = [False]
|
||||||
|
ctx = [""]
|
||||||
|
|
||||||
|
def en_parrafo(m):
|
||||||
|
if hecho[0]:
|
||||||
|
return m.group(0)
|
||||||
|
trozos = re.split(r"(<a\b.*?</a>)", m.group(2), flags=re.S)
|
||||||
|
for i, tr in enumerate(trozos):
|
||||||
|
if tr.startswith("<a"):
|
||||||
|
continue
|
||||||
|
mm = re.search(r"(?<![\w-])" + re.escape(anchor) + r"(?![\w-])", tr)
|
||||||
|
if not mm:
|
||||||
|
continue
|
||||||
|
trozos[i] = tr[:mm.start()] + f'<a href="{url}">{anchor}</a>' + tr[mm.end():]
|
||||||
|
a, b = max(0, mm.start() - 55), mm.end() + 55
|
||||||
|
ctx[0] = re.sub(r"\s+", " ", re.sub(r"<[^>]+>", "", tr[a:b]))
|
||||||
|
hecho[0] = True
|
||||||
|
break
|
||||||
|
return m.group(1) + "".join(trozos) + m.group(3)
|
||||||
|
|
||||||
|
out = re.sub(r"(<p>)(.*?)(</p>)", en_parrafo, html, flags=re.S)
|
||||||
|
return out, hecho[0], ctx[0]
|
||||||
|
|
||||||
|
|
||||||
|
# ---------- inserción en lexical nativo ----------
|
||||||
|
|
||||||
|
def link_in_lexical_nodes(root_children, anchor, url):
|
||||||
|
"""Parte el nodo de texto en (antes | link | después). Solo mira los hijos
|
||||||
|
DIRECTOS del párrafo, así que un texto que ya viva dentro de un `link`
|
||||||
|
nunca se toca — que es justo lo que evita el anidamiento."""
|
||||||
|
for parrafo in root_children:
|
||||||
|
if parrafo.get("type") != "paragraph":
|
||||||
|
continue
|
||||||
|
hijos = parrafo.get("children") or []
|
||||||
|
for i, nodo in enumerate(hijos):
|
||||||
|
if nodo.get("type") != "extended-text":
|
||||||
|
continue
|
||||||
|
txt = nodo.get("text") or ""
|
||||||
|
mm = re.search(r"(?<![\w-])" + re.escape(anchor) + r"(?![\w-])", txt)
|
||||||
|
if not mm:
|
||||||
|
continue
|
||||||
|
antes, despues = txt[:mm.start()], txt[mm.end():]
|
||||||
|
enlace = copy.deepcopy(LINK_NODE)
|
||||||
|
enlace["url"] = url
|
||||||
|
hijo = copy.deepcopy(TEXT_NODE)
|
||||||
|
hijo["text"] = anchor
|
||||||
|
hijo["format"] = nodo.get("format", 0)
|
||||||
|
enlace["children"] = [hijo]
|
||||||
|
|
||||||
|
nuevos = []
|
||||||
|
if antes:
|
||||||
|
n = copy.deepcopy(nodo)
|
||||||
|
n["text"] = antes
|
||||||
|
nuevos.append(n)
|
||||||
|
nuevos.append(enlace)
|
||||||
|
if despues:
|
||||||
|
n = copy.deepcopy(nodo)
|
||||||
|
n["text"] = despues
|
||||||
|
nuevos.append(n)
|
||||||
|
parrafo["children"] = hijos[:i] + nuevos + hijos[i + 1:]
|
||||||
|
a, b = max(0, mm.start() - 55), mm.end() + 55
|
||||||
|
return True, re.sub(r"\s+", " ", txt[a:b])
|
||||||
|
return False, ""
|
||||||
|
|
||||||
|
|
||||||
|
# ---------- salvaguardas ----------
|
||||||
|
|
||||||
|
def revisar_html(html, slug):
|
||||||
|
if re.search(r"<a [^>]*>(?:(?!</a>).)*<a ", html, re.S):
|
||||||
|
sys.exit(f"✗ {slug}: ancla anidada — abortado sin escribir")
|
||||||
|
if html.count("<a ") != html.count("</a>"):
|
||||||
|
sys.exit(f"✗ {slug}: <a> descuadrados — abortado sin escribir")
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
ap = argparse.ArgumentParser(description="Enlaces internos en el cuerpo (Tool F)")
|
||||||
|
ap.add_argument("slug")
|
||||||
|
ap.add_argument("--site", choices=("en", "es"), required=True)
|
||||||
|
ap.add_argument("--link", action="append", required=True,
|
||||||
|
metavar="ANCHOR=slug-destino",
|
||||||
|
help="texto del anchor y slug al que apunta; repetible")
|
||||||
|
ap.add_argument("--apply", action="store_true")
|
||||||
|
a = ap.parse_args()
|
||||||
|
|
||||||
|
cfg = SITES[a.site]
|
||||||
|
corpus = fetch_corpus(cfg["cli"])
|
||||||
|
by = {p["slug"]: p for p in corpus}
|
||||||
|
if a.slug not in by:
|
||||||
|
sys.exit(f"✗ «{a.slug}» no está en el corpus de [{a.site.upper()}] "
|
||||||
|
f"— ¿es un slug del otro sitio?")
|
||||||
|
post = by[a.slug]
|
||||||
|
fmt = body_format(post)
|
||||||
|
if not fmt:
|
||||||
|
sys.exit(f"✗ {a.slug}: sin cuerpo legible (ni lexical ni mobiledoc)")
|
||||||
|
print(f"── {a.slug[:56]} [{post.get('status')}] formato: {fmt}")
|
||||||
|
|
||||||
|
pares = []
|
||||||
|
for spec in a.link:
|
||||||
|
if "=" not in spec:
|
||||||
|
sys.exit(f"✗ --link mal formado: {spec!r} (falta «=»)")
|
||||||
|
anchor, destino = spec.split("=", 1)
|
||||||
|
anchor, destino = anchor.strip(), destino.strip().strip("/")
|
||||||
|
if destino not in by:
|
||||||
|
sys.exit(f"✗ destino «{destino}» no existe en [{a.site.upper()}]")
|
||||||
|
if destino == a.slug:
|
||||||
|
sys.exit(f"✗ «{destino}» se enlazaría a sí mismo")
|
||||||
|
tgt = by[destino]
|
||||||
|
if tgt.get("status") != "published":
|
||||||
|
print(f" ⚠ PREMATURO: «{destino}» está en estado "
|
||||||
|
f"{tgt.get('status')} → 404 hasta que se publique")
|
||||||
|
pares.append((anchor, f'{cfg["base"]}/{destino}/'))
|
||||||
|
|
||||||
|
# --- inserción según formato ---
|
||||||
|
if fmt == "lexical-nativo":
|
||||||
|
lex = json.loads(post["lexical"])
|
||||||
|
kids = lex["root"]["children"]
|
||||||
|
for anchor, url in pares:
|
||||||
|
ok, ctx = link_in_lexical_nodes(kids, anchor, url)
|
||||||
|
print(f" {'+' if ok else '⚠'} «{anchor}» → {url.split('/')[-2][:34]}"
|
||||||
|
+ (f"\n …{ctx}…" if ok else " (no aparece en la prosa)"))
|
||||||
|
campo, valor = "lexical", json.dumps(lex, ensure_ascii=False)
|
||||||
|
else:
|
||||||
|
if fmt == "lexical-html":
|
||||||
|
doc = json.loads(post["lexical"])
|
||||||
|
trozo = doc["root"]["children"][0]
|
||||||
|
get_html, set_html = (lambda: trozo["html"]), (lambda h: trozo.__setitem__("html", h))
|
||||||
|
else:
|
||||||
|
doc = json.loads(post["mobiledoc"])
|
||||||
|
cards = [c for c in doc.get("cards", []) if c and c[0] == "html"]
|
||||||
|
if not cards:
|
||||||
|
sys.exit(f"✗ {a.slug}: mobiledoc sin tarjetas html")
|
||||||
|
tarjeta = cards[0][1]
|
||||||
|
get_html, set_html = (lambda: tarjeta["html"]), (lambda h: tarjeta.__setitem__("html", h))
|
||||||
|
html = get_html()
|
||||||
|
for anchor, url in pares:
|
||||||
|
html, ok, ctx = link_in_html(html, anchor, url)
|
||||||
|
print(f" {'+' if ok else '⚠'} «{anchor}» → {url.split('/')[-2][:34]}"
|
||||||
|
+ (f"\n …{ctx}…" if ok else " (no aparece en la prosa)"))
|
||||||
|
revisar_html(html, a.slug)
|
||||||
|
set_html(html)
|
||||||
|
campo = "lexical" if fmt == "lexical-html" else "mobiledoc"
|
||||||
|
valor = json.dumps(doc, ensure_ascii=False)
|
||||||
|
|
||||||
|
if not a.apply:
|
||||||
|
print("\n(dry-run: no se ha escrito nada — repite con --apply)")
|
||||||
|
return 0
|
||||||
|
|
||||||
|
os.makedirs(BDIR, exist_ok=True)
|
||||||
|
ts = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
|
||||||
|
bpath = os.path.join(BDIR, f"{a.site}-{a.slug[:40]}-seolink-pristine-{ts}.json")
|
||||||
|
with open(bpath, "w") as f:
|
||||||
|
json.dump({"id": post["id"], "slug": a.slug, campo: post.get(campo)},
|
||||||
|
f, ensure_ascii=False)
|
||||||
|
fd, ppath = tempfile.mkstemp(suffix=".json")
|
||||||
|
with os.fdopen(fd, "w") as f:
|
||||||
|
json.dump({campo: valor}, f, ensure_ascii=False)
|
||||||
|
r = sh(f'{cfg["cli"]} post update {post["id"]} --from-json "{ppath}"')
|
||||||
|
os.unlink(ppath)
|
||||||
|
if "Slug:" not in r.stdout:
|
||||||
|
print(r.stdout, r.stderr)
|
||||||
|
sys.exit(f"✗ {a.slug}: {cfg['cli']} no confirmó la actualización")
|
||||||
|
print(f"✓ aplicado (backup {os.path.basename(bpath)})")
|
||||||
|
return 0
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
sys.exit(main())
|
||||||
Reference in New Issue
Block a user