#!/usr/bin/env python3
"""Tool J — el estado del SITIO: los puntos ciegos del vigilante.
Por qué existe. El 2026-07-29 se hizo el recuento de los fallos de esa semana:
diecisiete. **Ni uno solo fue un caso que el vigilante juzgara mal.** Los
diecisiete estaban en sitios donde el vigilante no mira. `seo_watch.py` audita
POSTS PUBLICADOS y sus enlaces, y hace muy bien lo que hace; el problema es todo
lo demás, que se pone una vez y no lo vuelve a mirar nadie:
1. tags — 5 duplicados vivieron TRES SEMANAS repartiendo 7 posts
entre dos archivos flacos, los dos en el sitemap
2. páginas — todas las reglas eran de posts. /about no tiene metas
3. — el EN emite DOS Article con titulares distintos, y sigue
con twitter:site=@ghost y article:publisher=.../ghost,
defaults que nadie tocó desde que se instaló el tema
4. robots.txt — el bloque «Cloudflare Managed» apareció SOLO en el EN y
nadie lo decidió. Cambia bajo tus pies
5. hreflang — solo lo comprobaba seo_audit.py, que NO TIENE TIMER
6. hub — se publicó una vez y se pudrió: «31 casos» con 33
7. programados — check_rules hace `if status != "published": continue`, así
que un programado con la meta mal es invisible hasta el día
DESPUÉS de publicarse
La regla de diseño que sale de ahí: **un fallo de sitio no se arregla mirando
más veces los posts.** Estos chequeos son baratos, de sitio, y su valor está en
que existan, no en que sean listos.
READ-ONLY de punta a punta. No escribe en Ghost ni en ningún sitio.
Uso:
python3 seo_estado.py --site en|es|both # a pantalla
(y lo llama seo_watch.py en cada ejecución)
"""
import argparse
import json
import os
import re
import subprocess
import sys
import tempfile
import unicodedata
import urllib.request
sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
import seo_rules as R
import seo_exceptions as X
SITES = {
"en": {"cli": "ghst-en", "host": "theexclusionzone.com",
"url": "https://www.theexclusionzone.com/", "lang": "en"},
"es": {"cli": "ghst-es", "host": "zonadeexclusion.com",
"url": "https://zonadeexclusion.com/", "lang": "es"},
}
AQUI = os.path.dirname(os.path.abspath(__file__))
ROBOTS_SNAP = os.path.join(AQUI, "robots-esperado.json")
UA = "seo-estado/1.0 (+https://chemavx.xyz)"
TIMEOUT = 25
# Reglas de seo_rules que NO tienen sentido en una página. Se comparan por el
# prefijo antes del punto (`feature_image.missing` → `feature_image`).
#
# Los og_*/twitter_* están aquí por COMPROBACIÓN, no por comodidad: en los posts
# se rellenan a mano para tener control, pero en una página vacío NO significa
# ausente — Ghost los deriva de meta_title/meta_description al renderizar.
# Verificado el 2026-07-29 sobre el HTML público del hub ES: los cuatro tags
# salen correctos con los cuatro campos vacíos en la BD. Avisar de eso sería
# mandarte a arreglar algo que ya está bien, que es como se empieza a ignorar
# un informe.
REGLAS_FUERA_DE_PAGINAS = {"feature_image", "feature_image_alt", "internal_links",
"jsonld", "custom_excerpt",
"og_title", "og_description",
"twitter_title", "twitter_description"}
def _fuera_de_paginas(rule):
return rule.split(".", 1)[0] in REGLAS_FUERA_DE_PAGINAS
def sh(cmd, timeout=180):
return subprocess.run(cmd, shell=True, capture_output=True, text=True,
timeout=timeout)
def trae(url):
req = urllib.request.Request(url, headers={"User-Agent": UA})
with urllib.request.urlopen(req, timeout=TIMEOUT) as r:
return r.read().decode("utf-8", "replace")
def _norm(s):
"""Minúsculas, sin acentos y sin separadores: 'Casos Militares' y
'casos-militares' colapsan al mismo sitio, que es exactamente el par que
Ghost creó por duplicado."""
s = unicodedata.normalize("NFKD", s or "")
s = "".join(c for c in s if not unicodedata.combining(c))
return re.sub(r"[^a-z0-9]", "", s.lower())
# ─────────────────────────────────── tags ───────────────────────────────────
def check_tags(site, cfg, posts):
out = []
r = sh(f'{cfg["cli"]} tag list --limit all --json')
if r.returncode != 0:
return [f"no he podido listar los tags: {r.stderr.strip()[:120]}"]
d = json.loads(r.stdout)
tags = d["tags"] if isinstance(d, dict) and "tags" in d else d
publicos = [t for t in tags if t.get("visibility") != "internal"]
# 1. Duplicados: dos tags que colapsan al mismo nombre normalizado. Es la
# firma exacta del bug de researchowl (slug mandado en el campo `name`).
porn = {}
for t in publicos:
porn.setdefault(_norm(t.get("name")), []).append(t["slug"])
for k, v in sorted(porn.items()):
if len(v) > 1:
out.append(f"tags DUPLICADOS (mismo nombre normalizado): {sorted(v)}")
# 2. Tags sin ningún post: páginas de archivo vacías, y Ghost las mete en
# sitemap-tags.xml.
usados = {t.get("slug") for p in posts for t in (p.get("tags") or [])}
vacios = sorted(t["slug"] for t in publicos if t["slug"] not in usados)
if vacios:
out.append(f"tags SIN NINGÚN POST (archivo vacío en el sitemap): {vacios}")
# 3. Posts sin categoría. Incluye los PROGRAMADOS a propósito: los 9 de
# agosto salían sin ninguna y se habrían publicado así.
for estado in ("published", "scheduled"):
sin = sorted(p["slug"] for p in posts if p.get("status") == estado
and not [t for t in (p.get("tags") or [])
if t.get("visibility") != "internal"])
if sin:
out.append(f"{len(sin)} post(s) {estado} SIN CATEGORÍA pública: "
+ ", ".join(s[:38] for s in sin[:6]))
return out
# ────────────────────────────────── páginas ──────────────────────────────────
def check_paginas(site, cfg):
out = []
fd, path = tempfile.mkstemp(suffix=".json")
os.close(fd)
try:
r = sh(f'{cfg["cli"]} page list --limit all --formats html --json > {path}',
timeout=180)
if r.returncode != 0:
return [f"no he podido listar las páginas: {r.stderr.strip()[:120]}"]
d = json.load(open(path))
finally:
os.unlink(path)
pages = d["pages"] if isinstance(d, dict) and "pages" in d else d
for p in pages:
if p.get("status") != "published":
continue
malas = [v for v in R.check_post(p)
if v.severity != R.INFO
and not _fuera_de_paginas(v.rule)
and not X.accepted_reason(v.rule, p["slug"], site)]
for v in malas:
out.append(f"página /{p['slug']}/ — {v.rule}: {v.message[:70]}")
return out
# ──────────────────────────────── head público ────────────────────────────────
def check_head(site, cfg, posts):
"""Lo que emite el TEMA, no el artículo. Se mira un post cualquiera porque
estos fallos son de plantilla: si están en uno, están en los 33.
El post se elige por orden alfabético de slug, no «el más reciente»: la
huella del vigilante tiene que ser estable entre ejecuciones o el informe
cambiaría solo al publicar, y avisaría de un cambio que no lo es.
"""
out = []
pub = sorted(p["slug"] for p in posts if p.get("status") == "published")
if not pub:
return ["sin posts publicados que mirar"]
url = cfg["url"].rstrip("/") + "/" + pub[0] + "/"
try:
h = trae(url)
except Exception as exc:
return [f"no he podido leer {url}: {exc}"]
bloques = re.findall(r'',
h, re.S)
arts = []
for b in bloques:
try:
d = json.loads(b)
except ValueError:
out.append("ld+json que no parsea")
continue
for o in (d.get("@graph") if isinstance(d, dict) and "@graph" in d
else [d] if isinstance(d, dict) else d):
if isinstance(o, dict) and o.get("@type") in (
"Article", "BlogPosting", "NewsArticle"):
arts.append((o.get("@type"), (o.get("headline") or "")[:40]))
if len(arts) > 1:
out.append("SCHEMA DUPLICADO: " + " + ".join(
f"{t}«{hd}»" for t, hd in arts) + " — Google elige cuál usa")
tw = re.findall(r'name="twitter:site" content="([^"]*)"', h)
if tw and tw[0].lower() in ("@ghost", "ghost"):
out.append(f"twitter:site sigue en el default de Ghost ({tw[0]}): "
"atribuye las tarjetas a la cuenta de Ghost")
pub_fb = re.findall(r'property="article:publisher" content="([^"]*)"', h)
if pub_fb and "facebook.com/ghost" in pub_fb[0]:
out.append("article:publisher sigue en el default de Ghost "
f"({pub_fb[0]})")
canon = re.findall(r']*\blang="([^"]*)"', h)
if lang and not lang[0].lower().startswith(cfg["lang"]):
out.append(f" y el sitio es {cfg['lang']}")
return out
# ─────────────────────────────────── robots ───────────────────────────────────
def politica_robots(txt):
"""{agente: True} para los agentes con un `Disallow: /` completo, más la
línea Content-Signal si la hay. Normalizado para poder compararlo."""
bloqueados, señal, agentes, en_directivas = set(), None, [], False
for linea in txt.splitlines():
l = linea.split("#")[0].strip()
if not l:
continue
k, _, v = l.partition(":")
k, v = k.strip().lower(), v.strip()
if k == "user-agent":
# Varios User-agent seguidos comparten bloque; uno después de una
# directiva abre bloque nuevo.
if en_directivas:
agentes, en_directivas = [], False
agentes.append(v)
else:
en_directivas = True
if k == "disallow" and v == "/":
bloqueados.update(agentes)
elif k == "content-signal":
señal = v
return {"bloqueados": sorted(bloqueados), "content_signal": señal}
def check_robots(site, cfg):
out = []
try:
txt = trae(cfg["url"].rstrip("/") + "/robots.txt")
except Exception as exc:
return [f"no he podido leer robots.txt: {exc}"]
if "sitemap:" not in txt.lower():
out.append("robots.txt NO declara Sitemap:")
ahora = politica_robots(txt)
# Instantánea versionada: el bloque «Cloudflare Managed» aparece y cambia
# SOLO, sin que nadie lo toque en git. Sin una foto contra la que comparar,
# ese cambio es invisible para siempre.
try:
esperado = json.load(open(ROBOTS_SNAP)).get(site)
except (FileNotFoundError, ValueError):
esperado = None
if esperado is None:
out.append(f"sin instantánea de robots.txt para [{site}]: "
f"crea {os.path.basename(ROBOTS_SNAP)} con {json.dumps(ahora)}")
elif esperado != ahora:
out.append("robots.txt CAMBIÓ respecto a la instantánea:")
if esperado.get("bloqueados") != ahora["bloqueados"]:
antes, hoy = set(esperado.get("bloqueados") or []), set(ahora["bloqueados"])
if hoy - antes:
out.append(f" ahora BLOQUEA además: {sorted(hoy - antes)}")
if antes - hoy:
out.append(f" ya NO bloquea: {sorted(antes - hoy)}")
if esperado.get("content_signal") != ahora["content_signal"]:
out.append(f" Content-Signal: {esperado.get('content_signal')} "
f"→ {ahora['content_signal']}")
return out
# ────────────────────────────────── hreflang ──────────────────────────────────
def check_hreflang(site, posts):
"""La misma regla que usa el auditor. Vive aquí porque seo_audit.py no
tiene timer: hasta hoy, lo único que comprobaba hreflang solo corría cuando
alguien lo lanzaba a mano."""
try:
import seo_hreflang as HL
parejas = HL.lee_parejas()
except Exception as exc:
return [f"no he podido leer las parejas: {exc}"]
out = []
for p in posts:
if p.get("status") != "published":
continue
try:
for v in HL.violaciones(p, site, parejas):
out.append(f"{p['slug'][:40]} — {v.message[:80]}")
except Exception as exc:
out.append(f"{p['slug'][:40]} — error al comprobar: {exc}")
break
return out
# ──────────────────────────────────── hub ────────────────────────────────────
def check_hub(site):
try:
import seo_hub as HUB
return HUB.problemas_de(site)
except Exception as exc:
return [f"no he podido revisar el hub: {exc}"]
# ───────────────────────────────── programados ─────────────────────────────────
def check_programados(site, posts):
"""Las reglas, sobre los PROGRAMADOS. `check_rules` de seo_watch los salta
(`if status != "published": continue`), así que un programado con la meta
mal, sin alt o con el título largo no se ve hasta el día DESPUÉS de
publicarse — cuando ya lo ha visto Google. Aquí se ven antes."""
out = []
for p in posts:
if p.get("status") != "scheduled":
continue
malas = [v for v in R.check_post(p)
if v.severity != R.INFO
and not X.accepted_reason(v.rule, p["slug"], site)]
for v in malas:
out.append(f"{(p.get('published_at') or '')[:10]} {p['slug'][:34]} "
f"— {v.rule}: {v.message[:60]}")
return out
# ─────────────────────────────────── fachada ───────────────────────────────────
CHEQUEOS = (
("tags", lambda s, c, p: check_tags(s, c, p)),
("páginas", lambda s, c, p: check_paginas(s, c)),
("head", lambda s, c, p: check_head(s, c, p)),
("robots", lambda s, c, p: check_robots(s, c)),
("hreflang", lambda s, c, p: check_hreflang(s, p)),
("hub", lambda s, c, p: check_hub(s)),
("programados", lambda s, c, p: check_programados(s, p)),
)
def revisa(site, posts):
"""{clave: [líneas]} — solo las claves con hallazgos.
Un chequeo que revienta NO puede tumbar a los demás: se convierte en un
hallazgo que dice que ese chequeo está roto, que es información útil y no
un informe a medias que parece limpio.
"""
cfg = SITES[site]
out = {}
for nombre, fn in CHEQUEOS:
try:
res = fn(site, cfg, posts)
except Exception as exc:
res = [f"⚠ el chequeo '{nombre}' ha fallado: {type(exc).__name__}: {exc}"]
if res:
out[nombre] = res
return out
def informe(estado):
if not estado:
return []
L = []
for clave, lineas in estado.items():
L.append(f"🧱 {clave}: {len(lineas)}")
L += [f" {x}" for x in lineas[:6]]
if len(lineas) > 6:
L.append(f" … y {len(lineas) - 6} más")
return L
def main():
ap = argparse.ArgumentParser(description="Estado del sitio (solo lectura)")
ap.add_argument("--site", choices=("en", "es", "both"), default="both")
a = ap.parse_args()
malo = False
for site in (["en", "es"] if a.site == "both" else [a.site]):
print(f"═══ [{site.upper()}] {SITES[site]['host']}")
import seo_watch as W
W.use_site(site)
posts = W.fetch_posts()
est = revisa(site, posts)
if est:
malo = True
print("\n".join(informe(est)))
else:
print(" ✓ sin hallazgos de sitio")
print()
return 1 if malo else 0
if __name__ == "__main__":
sys.exit(main())