seo_watch: vigilante semanal de regresiones SEO (Tool D)
Chequeos deterministas sobre el sitio EN, READ-ONLY, con aviso a Telegram
solo cuando hay hallazgos Y algo cambia respecto a la ejecución anterior
(un informe semanal de 'todo bien' se acaba ignorando):
1. enlaces internos rotos (destino inexistente)
2. enlaces internos no canónicos (apex/http/sin barra → salto 301 evitable)
3. enlaces PREMATUROS — destino programado para DESPUÉS del post que lo
enlaza. Caso real detectado el 2026-07-18: el post Wilson-Davis (3-ago)
enlazaba a MJ-12 (13-ago) → habría sido 404 durante 10 días justo en la
ventana de rastreo del post recién publicado.
4. sitemap: toda URL listada debe dar 200 directo
5. violaciones accionables del motor de reglas (respeta seo_exceptions)
Por qué no lleva Gemini: el 2026-07-18 se midió con datos reales — de 6
sugerencias de enlazado interno, 0 cumplían el estándar 'entidad nombrada en
la prosa', y no vio las 3 entidades que había servidas en una sola frase.
Es fiable extrayendo (12/12 slugs correctos, cero alucinaciones) pero no
juzgando. Se deja fuera del job hasta tener un uso donde aporte de verdad.
Unidades systemd incluidas: timer semanal (lunes 05:30 UTC, antes de la
publicación de las 06:00). Instaladas en /etc/systemd/system/ y habilitadas.
Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
This commit is contained in:
ChemaVX
co-authored by
Claude Opus 4.8
Claude Opus 4.8
parent
b5ce7638bd
commit
744ed9fceb
+243
@@ -0,0 +1,243 @@
|
||||
#!/usr/bin/env python3
|
||||
"""
|
||||
Tool D — vigilante SEO periódico de theexclusionzone.com (EN, Ghost).
|
||||
|
||||
READ-ONLY sobre Ghost. Corre los chequeos que detectan REGRESIONES nuevas a
|
||||
medida que se publica (2 posts/semana), no el inventario completo de siempre:
|
||||
|
||||
1. Enlaces internos rotos (destino 404 / slug inexistente)
|
||||
2. Enlaces internos no canónicos (apex, http, o sin barra final → salto 301)
|
||||
3. Enlaces prematuros (a un post que se publica DESPUÉS que el que
|
||||
lo enlaza → 404 en la ventana intermedia)
|
||||
4. Sitemap (toda URL listada debe dar 200 directo)
|
||||
5. Violaciones accionables (delta vs la última ejecución, vía seo_rules)
|
||||
|
||||
Solo avisa por Telegram cuando hay hallazgos o cuando algo CAMBIA respecto a la
|
||||
ejecución anterior — un informe semanal de "todo bien" es ruido que se ignora.
|
||||
|
||||
Uso:
|
||||
python3 seo_watch.py # chequea y notifica si procede
|
||||
python3 seo_watch.py --dry-run # imprime, no notifica ni guarda estado
|
||||
python3 seo_watch.py --force # notifica aunque no haya cambios
|
||||
|
||||
Diseño (lecciones del 2026-07-18, ver memoria project-en-seo-recovery):
|
||||
- Lo determinista va primero: fue lo que encontró los problemas reales.
|
||||
- Gemini NO sugiere enlaces temáticos (0/6 acertó). Si se le llama, es para
|
||||
EXTRAER entidades del texto que casen con slugs del corpus, pasándole
|
||||
siempre los waivers de seo_exceptions para que no reabra decisiones cerradas.
|
||||
- Nada de esto modifica Ghost. Las correcciones las decide un humano.
|
||||
"""
|
||||
import argparse
|
||||
import json
|
||||
import os
|
||||
import re
|
||||
import subprocess
|
||||
import sys
|
||||
import tempfile
|
||||
import urllib.parse
|
||||
import urllib.request
|
||||
from concurrent.futures import ThreadPoolExecutor
|
||||
|
||||
sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
|
||||
import seo_rules as R
|
||||
import seo_exceptions as X
|
||||
|
||||
HOST = "https://www.theexclusionzone.com/"
|
||||
STATE = os.path.expanduser("~/.local/state/seo-watch/last.json")
|
||||
TG_SECRET = ("monitoring", "grafana-telegram-infisical")
|
||||
TIMEOUT = 20
|
||||
|
||||
|
||||
# ---------- utilidades ----------
|
||||
|
||||
def sh(cmd, timeout=180):
|
||||
return subprocess.run(cmd, shell=True, capture_output=True, text=True, timeout=timeout)
|
||||
|
||||
|
||||
def fetch_posts():
|
||||
"""Todos los posts (published + scheduled) con html. Salida a fichero: la
|
||||
respuesta pesa cientos de KB y un PIPE se trunca a 64 KB."""
|
||||
fd, path = tempfile.mkstemp(suffix=".json", prefix="seo_watch_")
|
||||
os.close(fd)
|
||||
try:
|
||||
r = sh(f"ghst-en post list --limit 100 --formats html --json > {path}", timeout=240)
|
||||
with open(path) as f:
|
||||
data = json.load(f)
|
||||
return data.get("posts", data) if isinstance(data, dict) else data
|
||||
finally:
|
||||
os.unlink(path)
|
||||
|
||||
|
||||
def http_status(url):
|
||||
"""(código, destino_redirección). No sigue la redirección."""
|
||||
req = urllib.request.Request(url, method="HEAD", headers={"User-Agent": "seo-watch/1.0"})
|
||||
try:
|
||||
class NoRedirect(urllib.request.HTTPRedirectHandler):
|
||||
def redirect_request(self, req, fp, code, msg, headers, newurl):
|
||||
raise urllib.error.HTTPError(req.full_url, code, msg, headers, None)
|
||||
op = urllib.request.build_opener(NoRedirect)
|
||||
with op.open(req, timeout=TIMEOUT) as r:
|
||||
return r.status, None
|
||||
except urllib.error.HTTPError as e:
|
||||
return e.code, e.headers.get("Location")
|
||||
except Exception as e:
|
||||
return 0, str(e)[:60]
|
||||
|
||||
|
||||
def internal_urls(html):
|
||||
return {u.split("#")[0] for u in re.findall(r'href="(https?://[^"]*theexclusionzone\.com[^"]*)"', html or "")}
|
||||
|
||||
|
||||
def slug_of(url):
|
||||
p = urllib.parse.urlparse(url).path.strip("/")
|
||||
return p.split("/")[0] if p else ""
|
||||
|
||||
|
||||
# ---------- chequeos ----------
|
||||
|
||||
def check_links(posts):
|
||||
"""Rotos, no canónicos y prematuros, en una pasada."""
|
||||
live = {p["slug"] for p in posts if p.get("status") == "published"}
|
||||
known = {p["slug"]: p for p in posts}
|
||||
roto, nocanon, prematuro = [], [], []
|
||||
|
||||
for p in posts:
|
||||
src, src_pub = p["slug"], p.get("published_at") or ""
|
||||
for u in internal_urls(p.get("html")):
|
||||
# no canónico: debe ser https + www + barra final
|
||||
if not u.startswith(HOST) or not u.endswith("/"):
|
||||
nocanon.append((src, u))
|
||||
continue
|
||||
s = slug_of(u)
|
||||
if not s or s in ("tag", "author", "about", "complete-guide-uap-cases"):
|
||||
continue
|
||||
tgt = known.get(s)
|
||||
if tgt is None:
|
||||
roto.append((src, u))
|
||||
elif s not in live:
|
||||
# el destino existe pero aún no está publicado
|
||||
tgt_pub = tgt.get("published_at") or ""
|
||||
if tgt_pub > src_pub:
|
||||
prematuro.append((src, s, str(src_pub)[:10], str(tgt_pub)[:10]))
|
||||
return roto, nocanon, prematuro
|
||||
|
||||
|
||||
def check_sitemap():
|
||||
malos = []
|
||||
urls = []
|
||||
for part in ("posts", "pages"):
|
||||
r = sh(f"curl -s --max-time 25 {HOST}sitemap-{part}.xml")
|
||||
urls += re.findall(r"<loc>(.*?)</loc>", r.stdout)
|
||||
with ThreadPoolExecutor(max_workers=8) as ex:
|
||||
for u, (code, _) in zip(urls, ex.map(lambda x: http_status(x), urls)):
|
||||
if code != 200:
|
||||
malos.append((u, code))
|
||||
return len(urls), malos
|
||||
|
||||
|
||||
def check_rules(posts):
|
||||
"""Violaciones accionables (excluye waivers e INFO), agrupadas por regla."""
|
||||
out = {}
|
||||
for p in posts:
|
||||
if p.get("status") != "published":
|
||||
continue
|
||||
for v in R.check_post(p):
|
||||
if v.severity == R.INFO or X.accepted_reason(v.rule, p["slug"]):
|
||||
continue
|
||||
out.setdefault(v.rule, []).append(p["slug"])
|
||||
return out
|
||||
|
||||
|
||||
# ---------- salida ----------
|
||||
|
||||
def build_report(roto, nocanon, prematuro, n_sitemap, sm_malos, reglas):
|
||||
L = []
|
||||
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]]
|
||||
if prematuro:
|
||||
L.append(f"🟠 {len(prematuro)} enlace(s) PREMATURO(S) (destino se publica después → 404 temporal):")
|
||||
L += [f" {s[:28]} ({sp}) → {t[:28]} ({tp})" for s, t, sp, tp in prematuro[:6]]
|
||||
if nocanon:
|
||||
L.append(f"🟡 {len(nocanon)} enlace(s) NO CANÓNICO(S) (salto 301 evitable):")
|
||||
L += [f" {s[:34]} → {u}" for s, u in nocanon[:6]]
|
||||
if sm_malos:
|
||||
L.append(f"🔴 sitemap: {len(sm_malos)} de {n_sitemap} URL(s) no dan 200:")
|
||||
L += [f" [{c}] {u.replace(HOST,'/')}" for u, c in sm_malos[:6]]
|
||||
if reglas:
|
||||
tot = sum(len(v) for v in reglas.values())
|
||||
L.append(f"📋 {tot} violación(es) accionable(s) del auditor:")
|
||||
L += [f" {k}: {len(v)}" for k, v in sorted(reglas.items(), key=lambda x: -len(x[1]))[:6]]
|
||||
if not L:
|
||||
L.append("✅ Sin hallazgos: enlaces, sitemap y reglas OK.")
|
||||
return "\n".join(L)
|
||||
|
||||
|
||||
def fingerprint(roto, nocanon, prematuro, sm_malos, reglas):
|
||||
return json.dumps({
|
||||
"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),
|
||||
"sitemap": sorted(u for u, _ in sm_malos),
|
||||
"reglas": {k: sorted(v) for k, v in reglas.items()},
|
||||
}, sort_keys=True)
|
||||
|
||||
|
||||
def telegram(text):
|
||||
r = sh(f"kubectl get secret -n {TG_SECRET[0]} {TG_SECRET[1]} -o jsonpath='{{.data.TELEGRAM_BOT_TOKEN}}'")
|
||||
import base64
|
||||
token = base64.b64decode(r.stdout).decode()
|
||||
r2 = sh(f"kubectl get secret -n {TG_SECRET[0]} {TG_SECRET[1]} -o jsonpath='{{.data.TELEGRAM_CHAT_ID}}'")
|
||||
chat = base64.b64decode(r2.stdout).decode()
|
||||
data = urllib.parse.urlencode({"chat_id": chat, "text": text[:3900]}).encode()
|
||||
req = urllib.request.Request(f"https://api.telegram.org/bot{token}/sendMessage", data=data)
|
||||
with urllib.request.urlopen(req, timeout=30) as resp:
|
||||
return json.loads(resp.read()).get("ok", False)
|
||||
|
||||
|
||||
def main():
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--dry-run", action="store_true", help="imprime, no notifica ni guarda estado")
|
||||
ap.add_argument("--force", action="store_true", help="notifica aunque no haya cambios")
|
||||
a = ap.parse_args()
|
||||
|
||||
posts = fetch_posts()
|
||||
roto, nocanon, prematuro = check_links(posts)
|
||||
n_sm, sm_malos = check_sitemap()
|
||||
reglas = check_rules(posts)
|
||||
|
||||
body = build_report(roto, nocanon, prematuro, n_sm, sm_malos, reglas)
|
||||
pub = sum(1 for p in posts if p.get("status") == "published")
|
||||
header = f"🔎 SEO watch — theexclusionzone.com\n({pub} publicados, {len(posts)} totales, sitemap {n_sm} URLs)\n"
|
||||
report = header + "\n" + body
|
||||
|
||||
fp = fingerprint(roto, nocanon, prematuro, sm_malos, reglas)
|
||||
prev = ""
|
||||
try:
|
||||
with open(STATE) as f:
|
||||
prev = json.load(f).get("fingerprint", "")
|
||||
except FileNotFoundError:
|
||||
pass
|
||||
changed = fp != prev
|
||||
hallazgos = bool(roto or nocanon or prematuro or sm_malos)
|
||||
|
||||
print(report)
|
||||
print(f"\n[cambios vs última ejecución: {'sí' if changed else 'no'}]")
|
||||
|
||||
if a.dry_run:
|
||||
return 0
|
||||
|
||||
# Notifica si hay hallazgos y algo cambió (o si se fuerza)
|
||||
if a.force or (hallazgos and changed):
|
||||
sufijo = "" if changed else "\n\n(sin cambios desde la última revisión)"
|
||||
ok = telegram(report + sufijo)
|
||||
print(f"[telegram: {'enviado' if ok else 'FALLO'}]")
|
||||
|
||||
os.makedirs(os.path.dirname(STATE), exist_ok=True)
|
||||
with open(STATE, "w") as f:
|
||||
json.dump({"fingerprint": fp}, f)
|
||||
return 0
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
sys.exit(main())
|
||||
Reference in New Issue
Block a user