#!/usr/bin/env python3 """ Extractor ampliado de contenido WordPress/Elementor -> src/content/site.json Lee la base de datos SQLite recuperada del export de Duplicator y genera un site.json que mantiene compatibilidad con el que ya consumen App.jsx / Section.jsx / Navbar.jsx / Footer.jsx (mismas claves: site, menu, sections con headings/paragraphs/images/lists) y anade informacion nueva que el extractor anterior no capturaba: acordeones, tabs, carruseles, slideshows, barras de progreso, texto animado, los dos paginas legales, los menus reales y los campos del formulario de contacto. Uso: python3 scripts/extract_site.py [salida.json] """ import sys import re import json import sqlite3 HOME_ID = 10044 PAGES = { "cookies": {"id": 2316, "slug": "informacion-sobre-las-cookies"}, "avisoLegal": {"id": 2318, "slug": "aviso-legal-y-proteccion-de-datos"}, } WPFORMS_ID = 2938 KIT_ID = 12 MENU_TERM_IDS = {"principal": 5, "footer": 6} # Rangos de indices raiz (hijos directos del arbol _elementor_data de la # home) que componen cada seccion anclada. Se confirmaron inspeccionando el # arbol: cada seccion empieza en un contenedor con settings._element_id y # se extiende hasta el indice anterior al siguiente anchor; "contacto" no # tiene su propio contenedor anclado (solo un heading suelto con ese id), asi # que se separa a mano de la cola de "precedentes_historicos". SECTION_RANGES = [ ("first-section", 0, 2), ("significa", 2, 5), ("inmigración_masiva", 5, 10), ("detener_el_reemplazo_poblacional", 10, 21), ("que_podemoshacer", 21, 28), ("precedentes_historicos", 28, 32), ("contacto", 32, 34), ] NESTED_WIDGET_TYPES = { "nested-accordion", "nested-tabs", "nested-carousel", "premium-carousel-widget", "slides", "premium-addon-progressbar", "premium-addon-fancy-text", "premium-nav-menu", } SKIP_WIDGET_TYPES = {"divider", "spacer"} IMG_URL_RE = re.compile(r"https?://remigracion\.es/wp-content/uploads/[^\"'\s)]+") def php_unserialize(data): """Parser minimo de php serialize() para leer el kit global de Elementor. Trabaja en bytes: las longitudes de PHP (s:N:"...") cuentan bytes UTF-8, no caracteres, y este dump tiene acentos (o, a, n) que son multibyte.""" b = data.encode("utf-8") pos = 0 def parse(): nonlocal pos kind = b[pos:pos + 1] if kind == b"s": m = re.match(rb's:(\d+):"', b[pos:]) length = int(m.group(1)) start = pos + m.end() val = b[start:start + length].decode("utf-8") pos = start + length + 2 # cierra comillas + ; return val if kind == b"i": m = re.match(rb"i:(-?\d+);", b[pos:]) pos += m.end() return int(m.group(1)) if kind == b"d": m = re.match(rb"d:([^;]+);", b[pos:]) pos += m.end() return float(m.group(1)) if kind == b"b": m = re.match(rb"b:([01]);", b[pos:]) pos += m.end() return m.group(1) == b"1" if kind == b"N": pos += 2 return None if kind == b"a": m = re.match(rb"a:(\d+):\{", b[pos:]) count = int(m.group(1)) pos += m.end() result = {} is_list = True next_idx = 0 for _ in range(count): k = parse() v = parse() if k != next_idx: is_list = False next_idx += 1 result[k] = v pos += 1 # cierra '}' if is_list: return [result[i] for i in range(count)] return result raise ValueError(f"tipo php-serialize no soportado: {kind!r} en {b[pos:pos+30]!r}") return parse() def list_items_from_html(html): """Si el HTML es una lista