seo-watch: vigila la indexación en Google (ventana 5-60 días, huella sin la antigüedad)

seo_watch.py

@@ -31,6 +31,7 @@ Diseño (lecciones del 2026-07-18, ver memoria project-en-seo-recovery):
   - Nada de esto modifica Ghost. Las correcciones las decide un humano.
 """
 import argparse
+import datetime as dt
 import json
 import os
 import re
@@ -247,6 +248,70 @@ def check_sitemap():
     return len(urls), malos
 
 
+# ---------- indexación ----------
+
+# Ventana de vigilancia. Por debajo de GRACIA no hay noticia: Google tarda días
+# incluso cuando todo va bien, y avisar el día 1 convierte el vigilante en ruido.
+# Por encima de VENTANA tampoco: un post de hace meses sin indexar ya no es un
+# incidente que se arregle pidiendo indexación, es una conversación sobre la
+# autoridad del dominio, y repetirlo cada mañana no la adelanta.
+DIAS_GRACIA = 5
+DIAS_VENTANA = 60
+
+
+def check_indexacion(posts, site):
+    """Publicados recientes que Google todavía NO ha indexado.
+
+    El resto del vigilante es estructuralmente ciego a esto: mide enlaces,
+    títulos, reglas y sitemap, y un artículo impecable en las cuatro cosas puede
+    llevar semanas sin que Google sepa que existe. En agosto de 2026 fueron SEIS
+    del blog EN a la vez, uno de ellos con ocho días publicado, y el marcador
+    semanal no podía cantarlo porque mide impresiones — y lo que Google no
+    conoce no tiene impresiones que medir.
+
+    Devuelve [(slug, dias, estado)] con SOLO los no indexados, del más viejo al
+    más nuevo. Si la comprobación no se puede hacer devuelve un único
+    ("", 0, "no se pudo comprobar: …"): un chequeo que no corre tiene que verse,
+    no dejar el informe limpio por accidente.
+    """
+    import seo_gsc as G
+    ahora = dt.datetime.now(dt.timezone.utc)
+    cand = []
+    for p in posts:
+        if p.get("status") != "published" or not p.get("published_at"):
+            continue
+        try:
+            pub = dt.datetime.fromisoformat(p["published_at"].replace("Z", "+00:00"))
+        except ValueError:
+            continue
+        dias = (ahora - pub).days
+        if DIAS_GRACIA <= dias <= DIAS_VENTANA:
+            cand.append((p["slug"], dias))
+    if not cand:
+        return []
+    # Orden estable. El desempate por slug no es cosmético: con dos posts del
+    # mismo día el orden dependería del corpus y la huella cambiaría sola,
+    # reenviando hallazgos viejos como si fueran nuevos.
+    cand.sort(key=lambda x: (-x[1], x[0]))
+
+    try:
+        tok = G.token(G.carga_credencial())
+    except Exception as e:
+        return [("", 0, f"no se pudo comprobar: {type(e).__name__}")]
+
+    fuera = []
+    for slug, dias in cand:
+        try:
+            d = G.inspecciona_url(tok, site, slug)
+        except Exception as e:
+            fuera.append((slug, dias, f"error: {type(e).__name__}"))
+            continue
+        icono, txt = G.etiqueta_indexacion(d)
+        if icono != "✅":
+            fuera.append((slug, dias, txt))
+    return fuera
+
+
 # Encabezados en Title Case inglés: el generador del blog ES lo cuela a ratos
 # (el 2026-07-21 había 219 en 23 de 29 posts, pero otros del mismo mes salieron
 # limpios — es una fuga intermitente, no deuda cerrada). Estas dos listas son
@@ -431,8 +496,12 @@ def check_rules(posts, site):
 # ---------- salida ----------
 
 def build_report(roto, nocanon, prematuro, envejecido, n_sitemap, sm_malos, reglas, mayus,
-                 titulos, estado):
+                 titulos, estado, indexa):
     L = []
+    if indexa:
+        L.append(f"🕳 {len(indexa)} publicado(s) que Google NO ha indexado:")
+        L += [f"   {s[:32]} — {e} ({d} días)" if s else f"   ⚠ {e}"
+              for s, d, e in indexa[:6]]
     if roto:
         L.append(f"🔴 {len(roto)} enlace(s) interno(s) ROTO(S):")
         L += [f"   {s[:34]} → {u.replace(HOST,'/')}" for s, u in roto[:6]]
@@ -468,9 +537,13 @@ def build_report(roto, nocanon, prematuro, envejecido, n_sitemap, sm_malos, regl
 
 
 def fingerprint(roto, nocanon, prematuro, envejecido, sm_malos, reglas, mayus, titulos,
-                estado):
+                estado, indexa):
     return json.dumps({
         "estado": {k: sorted(v) for k, v in estado.items()},
+        # Sin los días A PROPÓSITO: la antigüedad sube cada mañana, así que
+        # meterla aquí haría cambiar la huella sola y el vigilante repetiría el
+        # mismo hallazgo a diario hasta que dejaras de leerlo.
+        "indexa": sorted(f"{s}|{e}" for s, _, e in indexa),
         "roto": sorted(f"{s}|{u}" for s, u in roto),
         "nocanon": sorted(f"{s}|{u}" for s, u in nocanon),
         "prematuro": sorted(f"{s}|{t}" for s, t, _, _ in prematuro),
@@ -508,16 +581,17 @@ def run_site(site):
     # programados). Van aquí y no en un timer aparte porque comparten lo que
     # hace útil a este vigilante: una sola huella por sitio y un solo aviso.
     estado = E.revisa(site, posts)
+    indexa = check_indexacion(posts, site)
 
     body = build_report(roto, nocanon, prematuro, envejecido, n_sm, sm_malos, reglas, mayus,
-                        titulos, estado)
+                        titulos, estado, indexa)
     pub = sum(1 for p in posts if p.get("status") == "published")
     header = (f"── [{site.upper()}] {cfg['host']}\n"
               f"   {pub} publicados, {len(posts)} totales, sitemap {n_sm} URLs")
     fp = fingerprint(roto, nocanon, prematuro, envejecido, sm_malos, reglas, mayus, titulos,
-                     estado)
+                     estado, indexa)
     hallazgos = bool(roto or nocanon or prematuro or envejecido or sm_malos or mayus
-                     or titulos or estado)
+                     or titulos or estado or indexa)
     return header + "\n" + body, fp, hallazgos