chemavx-seo-tools/seo_hreflang.py

#!/usr/bin/env python3
"""
Tool I — hreflang recíproco entre los artículos espejo ES ↔ EN.

Qué problema resuelve. La casa publica el mismo caso en dos idiomas y en dos
dominios, y hasta el 2026-07-28 no había NI UN hreflang en ninguno de los dos.
Google no tenía forma de saber que «Varginha 1996: El Caso OVNI Más Intrigante
de Brasil» y «Brazil's 1996 Varginha Incident» son el mismo artículo en otro
idioma, así que servía el que le parecía y las señales de cada uno se quedaban
sueltas en su lado.

⚠️ POR QUÉ LAS PAREJAS SE CURAN A MANO Y NO SE INFIEREN. Se intentó con bge-m3
y no vale: los DOS artículos de Immaculate Constellation puntúan 0,774 entre sí,
y uno que no tiene nada que ver puntúa 0,778. Y el espejo real del artículo ES
de bases nucleares puntúa 0,719, por debajo de tres artículos de PURSUE que no
lo son. Un hreflang equivocado le dice a Google que dos artículos DISTINTOS son
el mismo, que es peor que no ponerlo. Por eso la fuente de verdad es
hreflang-parejas.md, revisado por una persona, y esta herramienta solo lo
ejecuta.

Cómo escribe. En `codeinjection_head` de cada post, entre marcas, para poder
reescribirlo o retirarlo sin tocar lo que hubiera ya:

    <!-- hreflang:inicio -->…<!-- hreflang:fin -->

Cada página declara las DOS versiones, incluida ella misma: el autorreferente no
es opcional, Google descarta el grupo si falta. x-default apunta al EN por ser
la audiencia más amplia.

⚠️ Solo se emparejan PUBLICADOS. Varios espejos existen pero están PROGRAMADOS
para agosto: un hreflang a una URL que aún no existe apunta a un 404.

Uso:
    python3 seo_hreflang.py plan                # qué haría (no escribe)
    python3 seo_hreflang.py aplicar             # escribe, con copia previa
    python3 seo_hreflang.py comprueba           # lo verifica en la web pública
"""
import argparse
import datetime
import json
import os
import re
import subprocess
import sys
import tempfile

PAREJAS = os.path.join(os.path.dirname(os.path.abspath(__file__)), "hreflang-parejas.md")
BDIR = os.path.expanduser("~/link-batch-backup")
SITIOS = {
    "en": {"cli": "ghst-en", "base": "https://www.theexclusionzone.com"},
    "es": {"cli": "ghst-es", "base": "https://zonadeexclusion.com"},
}
INICIO, FIN = "<!-- hreflang:inicio -->", "<!-- hreflang:fin -->"


def sh(cmd, timeout=300):
    return subprocess.run(cmd, shell=True, capture_output=True, text=True, timeout=timeout)


def lee_parejas():
    """Bloques con `decision: SI` del fichero revisado a mano."""
    texto = open(PAREJAS).read()
    out = []
    for bloque in re.split(r"\nsim ", texto)[1:]:
        m_en = re.search(r"^  EN  (\S+)", bloque, re.M)
        m_es = re.search(r"^  ES  (\S+)", bloque, re.M)
        m_d = re.search(r"^  decision:\s*(\S+)", bloque, re.M)
        if not (m_en and m_es and m_d):
            continue
        if m_d.group(1).upper() != "SI":
            continue
        out.append((m_en.group(1), m_es.group(1)))
    return out


def bloque(slug_en, slug_es):
    en = f"{SITIOS['en']['base']}/{slug_en}/"
    es = f"{SITIOS['es']['base']}/{slug_es}/"
    return "\n".join([
        INICIO,
        f'<link rel="alternate" hreflang="en" href="{en}">',
        f'<link rel="alternate" hreflang="es" href="{es}">',
        f'<link rel="alternate" hreflang="x-default" href="{en}">',
        FIN,
    ])


def fusiona(actual, nuevo):
    """Sustituye SOLO nuestro bloque; lo que hubiera fuera se queda tal cual."""
    actual = actual or ""
    if INICIO in actual and FIN in actual:
        return re.sub(re.escape(INICIO) + r".*?" + re.escape(FIN), nuevo, actual, flags=re.S)
    return (actual.rstrip() + "\n" + nuevo).strip() if actual.strip() else nuevo


def trae(site, slugs):
    """{slug: post} con id, estado y codeinjection_head, por fichero (el pipe
    trunca a 64 KB, cicatriz compartida con seo_audit)."""
    fd, path = tempfile.mkstemp(suffix=".json")
    os.close(fd)
    try:
        sh(f'{SITIOS[site]["cli"]} post list --limit all '
           f'--fields id,slug,status,codeinjection_head --json > {path}')
        posts = json.load(open(path))["posts"]
    finally:
        os.unlink(path)
    return {p["slug"]: p for p in posts if slugs is None or p["slug"] in slugs}


def desmarca(actual):
    """Quita NUESTRO bloque y deja intacto lo demás. Devuelve None si no había."""
    actual = actual or ""
    if INICIO not in actual or FIN not in actual:
        return None
    limpio = re.sub(re.escape(INICIO) + r".*?" + re.escape(FIN), "", actual, flags=re.S)
    return re.sub(r"\n{3,}", "\n\n", limpio).strip()


def huerfanos(parejas):
    """Posts que llevan nuestro bloque y YA NO están en ninguna pareja SI.

    Sin esto, repuntar una pareja deja media declaración viva. Pasó con Grusch
    el 2026-07-29: el ES de la comparecencia de 2023 estaba emparejado por error
    con el EN del acto de 2026, y al corregirlo el ES viejo se habría quedado
    señalando a un artículo que ya no le señala a él. Un hreflang que no es
    recíproco Google lo ignora, pero el que sobra sigue afirmando algo falso.

    Se busca en TODO el corpus, no solo en los slugs de las parejas: el que hay
    que limpiar es justamente el que ha dejado de estar en la lista.
    """
    fuera = []
    for site, dentro in (("en", {a for a, _ in parejas}), ("es", {b for _, b in parejas})):
        for slug, p in trae(site, None).items():
            if slug in dentro:
                continue
            limpio = desmarca(p.get("codeinjection_head"))
            if limpio is not None:
                fuera.append((site, p, limpio))
    return fuera


def cambios():
    parejas = lee_parejas()
    en = trae("en", {a for a, _ in parejas})
    es = trae("es", {b for _, b in parejas})
    plan, avisos = [], []
    for a, b in parejas:
        pa, pb = en.get(a), es.get(b)
        if not pa or not pb:
            avisos.append(f"no encontrado: {a if not pa else b}")
            continue
        if pa["status"] != "published" or pb["status"] != "published":
            avisos.append(f"{a} / {b}: alguno no está publicado ({pa['status']}/{pb['status']}) "
                          "— un hreflang a una URL futura es un 404")
            continue
        blq = bloque(a, b)
        for site, p in (("en", pa), ("es", pb)):
            nuevo = fusiona(p.get("codeinjection_head"), blq)
            if nuevo != (p.get("codeinjection_head") or ""):
                plan.append((site, p, nuevo))
    return plan + huerfanos(parejas), avisos, parejas


def violaciones(post, site, parejas=None):
    """Regla para el auditor: una pareja declarada que NO lo tiene puesto.

    Vive aquí y no en seo_rules porque necesita conocer hreflang-parejas.md, que
    es una decisión editorial curada a mano y no una regla del motor. El auditor
    la inyecta; el motor sigue sin saber nada de parejas.

    No basta con que exista el bloque: se comprueba que las URLs sean las de ESTA
    pareja. Si un slug cambia, el hreflang se queda apuntando al viejo y esto es
    lo único que lo cazaría.
    """
    import seo_rules as R
    if parejas is None:
        parejas = lee_parejas()
    idx = {(a if site == "en" else b): (a, b) for a, b in parejas}
    par = idx.get(post.get("slug"))
    if not par:
        return []
    if post.get("status") != "published":
        return []
    cabeza = post.get("codeinjection_head") or ""
    esperado = bloque(*par)
    if esperado in cabeza:
        return []
    falta = INICIO not in cabeza
    return [R.Violation(
        "hreflang.missing" if falta else "hreflang.stale", R.MED,
        ("sin hreflang y tiene espejo declarado" if falta else
         "el hreflang no coincide con la pareja declarada (¿cambió un slug?)")
        + f" — pareja: {par[1] if site == 'en' else par[0]}",
        "python3 ~/seo-tools/seo_hreflang.py aplicar")]


def cmd_plan(a):
    plan, avisos, parejas = cambios()
    print(f"{len(parejas)} parejas marcadas SI en {os.path.basename(PAREJAS)}")
    for w in avisos:
        print(f"  ⚠ {w}")
    print(f"\n{len(plan)} posts a modificar:")
    for site, p, _ in plan:
        ya = "reescribe" if INICIO in (p.get("codeinjection_head") or "") else "añade"
        otro = "con contenido previo" if (p.get("codeinjection_head") or "").strip() else "vacío"
        print(f"  [{site}] {ya:9} ({otro:19}) {p['slug'][:52]}")
    if plan:
        print("\n(plan: no se ha escrito nada — repite con `aplicar`)")
    return 0


def cmd_aplicar(a):
    plan, avisos, _ = cambios()
    for w in avisos:
        print(f"  ⚠ {w}")
    if not plan:
        print("nada que hacer: ya está todo puesto")
        return 0
    os.makedirs(BDIR, exist_ok=True)
    ts = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
    bpath = os.path.join(BDIR, f"hreflang-pristine-{ts}.json")
    with open(bpath, "w") as f:
        json.dump([{"site": s, "id": p["id"], "slug": p["slug"],
                    "codeinjection_head": p.get("codeinjection_head")}
                   for s, p, _ in plan], f, ensure_ascii=False, indent=1)
    print(f"copia previa: {bpath}\n")
    fallos = 0
    for site, p, nuevo in plan:
        fd, ppath = tempfile.mkstemp(suffix=".json")
        with os.fdopen(fd, "w") as f:
            json.dump({"codeinjection_head": nuevo}, f, ensure_ascii=False)
        r = sh(f'{SITIOS[site]["cli"]} post update {p["id"]} --from-json "{ppath}"')
        os.unlink(ppath)
        ok = "Slug:" in r.stdout
        fallos += 0 if ok else 1
        print(f"  {'✓' if ok else '✗'} [{site}] {p['slug'][:56]}")
        if not ok:
            print(f"      {(r.stdout + r.stderr)[:200]}")
    print(f"\n{len(plan) - fallos}/{len(plan)} aplicados")
    return 1 if fallos else 0


def cmd_comprueba(a):
    """La verdad está en la página pública: que Ghost lo guarde no basta."""
    import urllib.request
    parejas = lee_parejas()
    malos = 0
    for slug_en, slug_es in parejas:
        for site, slug in (("en", slug_en), ("es", slug_es)):
            url = f"{SITIOS[site]['base']}/{slug}/"
            try:
                req = urllib.request.Request(url, headers={"User-Agent": "seo-hreflang/1.0"})
                html = urllib.request.urlopen(req, timeout=30).read().decode("utf8", "ignore")
            except Exception as e:
                print(f"  ✗ [{site}] {slug[:48]}: {e}")
                malos += 1
                continue
            enc = dict(re.findall(
                r'<link[^>]+hreflang="([^"]+)"[^>]+href="([^"]+)"', html))
            # No basta con que HAYA hreflang: un par cruzado (el ES apuntando al
            # EN equivocado) declararía las dos versiones y pasaría igual. Se
            # comprueba que las URLs sean EXACTAMENTE las de esta pareja.
            esperado = {"en": f"{SITIOS['en']['base']}/{slug_en}/",
                        "es": f"{SITIOS['es']['base']}/{slug_es}/"}
            esperado["x-default"] = esperado["en"]
            mal = {k: (enc.get(k), v) for k, v in esperado.items() if enc.get(k) != v}
            malos += 0 if not mal else 1
            print(f"  {'✓' if not mal else '✗'} [{site}] {slug[:52]}")
            for k, (tiene, debe) in mal.items():
                print(f"        {k}: dice {tiene} — debería ser {debe}")
    print(f"\n{'✓ todas las páginas declaran las dos versiones' if not malos else f'✗ {malos} con problema'}")
    return 1 if malos else 0


def main():
    ap = argparse.ArgumentParser(description=__doc__,
                                 formatter_class=argparse.RawDescriptionHelpFormatter)
    sub = ap.add_subparsers(dest="cmd", required=True)
    for nombre, fn in (("plan", cmd_plan), ("aplicar", cmd_aplicar),
                       ("comprueba", cmd_comprueba)):
        sub.add_parser(nombre).set_defaults(func=fn)
    a = ap.parse_args()
    return a.func(a) or 0


if __name__ == "__main__":
    sys.exit(main())