seo_watch: el corpus hace de diccionario en el check de mayúsculas

La lista blanca CASE_KEEP no escala y se rompió en el primer artículo real: el
Canarias de prueba del 2026-07-21 traía «El testigo del carguero Osaka Bay» y
«Ricardo Campo Pérez y Vicente-Juan Ballester Olmos», los dos encabezados
correctos, marcados como Title Case porque un barco y dos investigadores no
estaban en la lista. El umbral de 2 palabras protege de un nombre propio
suelto, no de uno de varias palabras — y cada caso nuevo trae nombres nuevos.

Ahora el propio blog resuelve la duda: si el corpus escribe esa palabra en
minúscula en algún otro sitio, capitalizarla a mitad de frase es estilo inglés;
si no aparece nunca en minúscula, es un nombre propio. «ciudad», «borde» y
«pánico» salen por todas partes; «Osaka» y «Ballester» jamás.

minimo=1 elegido barriendo el umbral contra 10 encabezados reales, el corpus
limpio y el sucio de la víspera — la tabla queda en el docstring. Una sola
aparición en minúscula ya prueba lo que hace falta: que la palabra PUEDE ir en
minúscula. Subir el umbral solo pierde detección (10/10 → 7/10 con mínimo 5).

CASE_PHRASES y CASE_KEEP siguen como red: «Guerra Fría» necesita protección
explícita porque «guerra» sí aparece en minúscula. Sin vocabulario, la función
se comporta como antes.

seo_watch.py

@@ -39,6 +39,7 @@ import sys
 import tempfile
 import urllib.parse
 import urllib.request
+from collections import Counter
 from concurrent.futures import ThreadPoolExecutor
 
 sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
@@ -259,12 +260,50 @@ _CASE_WORD = re.compile(r"[0-9A-Za-zÁÉÍÓÚÜÑáéíóúüñ][0-9A-Za-zÁÉ
 _CASE_ABBR = re.compile(r"(?:^|\s)(?:[A-ZÁÉÍÓÚÑ]{1,3}|Dr|Sr|Sra|vs|etc)\.\s*$")
 
 
-def _title_case_words(text):
+def lowercase_vocab(posts, minimo=1):
+    """Palabras que el propio corpus escribe EN MINÚSCULA al menos `minimo`
+    veces. Es el diccionario que decide si una mayúscula sobra.
+
+    Nació de un falso positivo real (2026-07-21): «El testigo del carguero
+    Osaka Bay» y «Ricardo Campo Pérez y Vicente-Juan Ballester Olmos» se
+    marcaron como Title Case porque esos nombres no estaban en CASE_KEEP. Una
+    lista blanca a mano no escala — cada caso nuevo trae nombres nuevos — pero
+    el blog sí sabe la respuesta: «ciudad», «borde» o «pánico» aparecen en
+    minúscula por todo el corpus, y «Osaka» o «Ballester» no aparecen nunca.
+    Así que capitalizar las primeras es estilo inglés y las segundas son
+    nombres propios, sin que nadie tenga que mantener una lista.
+
+    minimo=1 elegido barriendo el umbral (2026-07-21) contra una batería de 10
+    encabezados de verdad, el corpus limpio y el sucio de la víspera:
+
+        mínimo  vocab  aciertos  limpio  sucio
+          1      6795   10/10      0      195
+          2      3184    9/10      0      184
+          3      2039    8/10      0      167
+          5      1198    7/10      0      155
+
+    Una sola aparición en minúscula ya prueba lo que hace falta probar: que esa
+    palabra PUEDE ir en minúscula, o sea que no es exclusivamente un nombre
+    propio. Subir el umbral solo pierde detección.
+    """
+    c = Counter()
+    for p in posts:
+        txt = re.sub(r"<[^>]+>", " ", p.get("html") or "")
+        for w in re.findall(r"(?<![\w-])[a-záéíóúüñ][a-záéíóúüñ]{2,}(?![\w-])", txt):
+            c[w] += 1
+    return {w for w, n in c.items() if n >= minimo}
+
+
+def _title_case_words(text, vocab=None):
     """Palabras capitalizadas al estilo inglés que NO son nombre propio.
 
     Ignora la primera palabra y la que abre frase tras . ? ! (pero no tras dos
     puntos ni raya, que en español no llevan mayúscula), los acrónimos (OVNI,
     AARO) y todo lo que esté en las listas de arriba.
+
+    Con `vocab` (ver lowercase_vocab) solo marca palabras que el corpus escribe
+    en minúscula en otros sitios: eso descarta los nombres propios sin tener
+    que enumerarlos. Sin `vocab` se comporta como antes, a base de listas.
     """
     for ph in CASE_PHRASES:
         text = re.sub(re.escape(ph), " ", text, flags=re.IGNORECASE)
@@ -277,7 +316,10 @@ def _title_case_words(text):
             first = False
             continue
         titled = tok.isupper() if len(tok) == 1 else (tok[:1].isupper() and tok[1:].islower())
-        if titled and tok not in CASE_KEEP:
+        if not titled or tok in CASE_KEEP:
+            continue
+        if vocab is not None and tok.lower() not in vocab:
+            continue    # el corpus nunca lo escribe en minúscula → nombre propio
         malas.append(tok)
     return malas
 
@@ -292,13 +334,14 @@ def check_heading_case(posts, site):
     """
     if site != "es":
         return []
+    vocab = lowercase_vocab(posts)
     out = []
     for p in posts:
         if p.get("status") != "published":
             continue
         for lvl, inner in re.findall(r"<h([234])[^>]*>(.*?)</h\1>", p.get("html") or "", re.S):
             texto = re.sub(r"<[^>]+>", "", inner).strip()
-            malas = _title_case_words(texto)
+            malas = _title_case_words(texto, vocab)
             if len(malas) >= 2:
                 out.append((p["slug"], texto[:50], malas[:4]))
     return out