seo_watch/seo_link: dos fallos que se manifestaban callándose

1) El corpus se pedía con --limit 100. Con 40 posts en EN y 29 en ES sobraba,
   pero a 2 por semana habría cruzado los 100 hacia 2027 y se habría truncado
   EN SILENCIO. Y un corpus truncado no da error: da falsos «enlaces rotos»
   contra los posts que faltan, que es peor que no mirar. Pasa a --limit all
   y, sobre todo, se comprueba el número contra meta.pagination.total: eso es
   lo que convierte un fallo mudo en uno que se oye. En seo_link el truncado
   era aún peor, porque haría rechazar como inexistente un destino que sí
   está.

2) check_sitemap daba VERDE cuando curl fallaba: 0 URLs descargadas son 0
   problemas encontrados, y el informe decía «✅ sin hallazgos». O sea que
   justo el rato en que el sitio está caído era cuando este check se callaba.
   Un sitemap vacío pasa a ser hallazgo con mensaje propio; en un blog con
   29-40 artículos nunca lo está legítimamente.

Probado con casos que DEBEN fallar: corpus recortado a 3 de 40 (revienta y lo
dice), corpus completo (pasa limpio), y sitemap vacío (hallazgo, informe claro
y notificaría). Y en real contra los dos blogs: EN 40 posts / 33 URLs, ES 29 /
31, ambos sin hallazgos.

No toca seo_rules.py, así que el vendor-sync con ResearchOwl sigue en verde.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

seo_link.py

@@ -62,14 +62,25 @@ def sh(cmd, timeout=240):
 
 
 def fetch_corpus(cli):
-    """Corpus completo (published + scheduled). A fichero: un PIPE se trunca."""
+    """Corpus completo (published + scheduled). A fichero: un PIPE se trunca.
+
+    `--limit all` + comprobación del total (ver seo_watch.fetch_posts). Aquí un
+    corpus truncado es peor todavía que en el vigilante: haría fallar el
+    «¿existe el destino?» y rechazaría un enlace perfectamente válido, o peor,
+    daría por inexistente un post que sí está."""
     fd, path = tempfile.mkstemp(suffix=".json")
     os.close(fd)
     try:
-        sh(f"{cli} post list --limit 100 --formats lexical,mobiledoc,html --json > {path}")
+        sh(f"{cli} post list --limit all --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
+        posts = d.get("posts", d) if isinstance(d, dict) else d
+        total = ((d.get("meta") or {}).get("pagination") or {}).get("total") \
+            if isinstance(d, dict) else None
+        if total is not None and len(posts) != total:
+            sys.exit(f"✗ corpus truncado: {len(posts)} de {total} posts — abortado "
+                     f"sin escribir (el chequeo de destinos sería mentira)")
+        return posts
     finally:
         os.unlink(path)
 

seo_watch.py

@@ -82,14 +82,28 @@ def sh(cmd, timeout=180):
 
 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."""
+    respuesta pesa cientos de KB y un PIPE se trunca a 64 KB.
+
+    `--limit all` y ADEMÁS se comprueba contra meta.pagination. Antes pedía
+    `--limit 100`: con 40 posts en EN y 29 en ES sobraba, pero a 2 posts por
+    semana el corpus habría cruzado los 100 hacia 2027 y se habría truncado EN
+    SILENCIO — y un corpus truncado no da error, da falsos «enlaces rotos»
+    contra los posts que faltan. Verificar el total es lo que convierte ese
+    fallo mudo en uno que se oye."""
     fd, path = tempfile.mkstemp(suffix=".json", prefix="seo_watch_")
     os.close(fd)
     try:
-        r = sh(f"{CLI} post list --limit 100 --formats html --json > {path}", timeout=240)
+        r = sh(f"{CLI} post list --limit all --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
+        posts = data.get("posts", data) if isinstance(data, dict) else data
+        total = ((data.get("meta") or {}).get("pagination") or {}).get("total") \
+            if isinstance(data, dict) else None
+        if total is not None and len(posts) != total:
+            raise RuntimeError(
+                f"corpus truncado: {len(posts)} de {total} posts. "
+                f"Los checks de enlaces darían falsos rotos — abortado.")
+        return posts
     finally:
         os.unlink(path)
 
@@ -211,11 +225,20 @@ def check_link_aging(posts):
 
 
 def check_sitemap():
+    """URLs del sitemap que no dan 200.
+
+    Un sitemap VACÍO cuenta como hallazgo, no como éxito: si curl falla o el
+    sitio está caído mientras corre la revisión, se descargan 0 URLs, se
+    encuentran 0 problemas y el informe decía «✅ sin hallazgos». Justo el rato
+    en que el sitio está roto es cuando este check se callaba. El sitemap de
+    posts nunca está legítimamente vacío en un blog con 29-40 artículos."""
     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)
+    if not urls:
+        return 0, [(f"{HOST}sitemap-posts.xml", "vacío/inaccesible")]
     with ThreadPoolExecutor(max_workers=8) as ex:
         for u, (code, _) in zip(urls, ex.map(lambda x: http_status(x), urls)):
             if code != 200:
@@ -376,7 +399,10 @@ def build_report(roto, nocanon, prematuro, envejecido, n_sitemap, sm_malos, regl
     if envejecido:
         L.append(f"🔵 {len(envejecido)} enlace(s) ENVEJECIDO(S) (ya existe mejor destino):")
         L += [f"   {s[:26]}: «{a}» → /{t[:24]}/ ⇒ /{m[:26]}/" for s, a, t, m in envejecido[:6]]
-    if sm_malos:
+    if sm_malos and n_sitemap == 0:
+        L.append("🔴 sitemap VACÍO o inaccesible — no se ha podido comprobar "
+                 "ninguna URL (¿sitio caído?, ¿curl sin salida?)")
+    elif 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 mayus: