add quality control for links in a blog source

README.md

@@ -97,28 +97,43 @@ https://forge.chapril.org/tykayn/org-report-stats
 
   https://github.com/njamescouk/pandocGmi/tree/master
 
+# Contrôle qualité
+## Examen des liens morts
+
+Lister tous les liens dans les fichiers org des sources d'un blog:
+
+```shell
+py scan_links.py cipherbliss_blog
+```
+
+Scanne le dossier et donne un fichier json donnant les noms de domaines trouvés, ainsi que la liste des liens par article dans `links_report_cipherbliss_blog.json` .
+
+Ensuite, on peut tester la viabilité des liens donnés avec check_links.py:
+
+```shell
+py check_links.py cipherbliss_blog
+```
+
+
 # Roadmap
 - réécriture des liens internes
   - conversion des liens avec nom de domaine si relatifs
-  - détection des ID org-roam pour réécrire les liens html
+  - détection des ID org-roam pour réécrire les liens html lors de la génération de site web et capsule gemini.
   - réécriture des url des images vers le dossier courant
 - gestion des séries d'articles avec un tag orgmode #+serie, ce qui crée des indexes de séries et précise les autres posts de la série en fin d'article
 - page pour un tag listant les articles, trier par date décroissante
 - les gains de performance pour ne pas régénérer les pages déjà faites alors qu'elles n'ont pas été modifiée, et un rendu statique un peu plus joli
 - mettre un lien vers le fichier Org d'origine en fin d'article, disponible sur une forge en ligne si on l'a mis en config du site web.
-
-
 - vérifier que les pages non articles sont bien générées
-- vérifier que les flux Atom sont valides
 - documenter les scripts
   - find_correspondances.py
   - atom_generate.py
   - deploy.sh
-  - back_files_to_roam.sh
+  - back_files_to_roam.sh, syncroniser les fichiers orgmode sources vers le dossier org-roam. Org-Roam ne permet que de gérer un seul dossier.
 
 
 
-# Fait
+## Fait
 - en fin d'article, mettre le texte incitant au soutien de l'auteur
 - faire la conversion en page gemini dans `linking_articles_prev_next.py`
 - liste de N derniers articles développés sur l'accueil, 10 par défaut
@@ -130,5 +145,6 @@ https://forge.chapril.org/tykayn/org-report-stats
 - génération de fichiers gmi
 - config par site web de son nom de domaine
 - navigation sur les pages d'article
-- gestion des langues dans la source et la destination
+- gestion des langues dans la source et la destination
-- gestion multi site et multi langue
+- gestion multi site et multi langue
+- - vérifier que les flux Atom sont valides

check_links.py

@@ -0,0 +1,226 @@
+#!/usr/bin/env python3
+"""
+Vérifie l'accessibilité des liens trouvés dans le JSON généré par scan_links.py.
+Génère un rapport des domaines inaccessibles et des articles comportant ces liens.
+"""
+
+import os
+import json
+import argparse
+import requests
+import time
+from datetime import datetime
+from urllib.parse import urlparse
+from concurrent.futures import ThreadPoolExecutor
+
+# Limiter les requêtes pour ne pas surcharger les serveurs
+REQUEST_DELAY = 0.5  # Délai entre les requêtes vers le même domaine (en secondes)
+MAX_WORKERS = 10     # Nombre maximum de threads parallèles
+
+# User agent pour éviter d'être bloqué
+HEADERS = {
+    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36'
+}
+
+def check_url(url):
+    """Vérifie si une URL est accessible"""
+    try:
+        response = requests.head(url, headers=HEADERS, timeout=10, allow_redirects=True)
+        
+        # Si HEAD échoue, essayer avec GET (certains serveurs n'acceptent pas HEAD)
+        if response.status_code >= 400:
+            response = requests.get(url, headers=HEADERS, timeout=10, allow_redirects=True, stream=True)
+            # Fermer immédiatement la connexion pour éviter de télécharger le contenu entier
+            response.close()
+            
+        # Considérer comme réussi les codes 2xx et 3xx
+        return {
+            'url': url,
+            'status': response.status_code,
+            'accessible': response.status_code < 400,
+            'error': None
+        }
+        
+    except requests.exceptions.RequestException as e:
+        return {
+            'url': url,
+            'status': None,
+            'accessible': False,
+            'error': str(e)
+        }
+
+def main():
+    parser = argparse.ArgumentParser(description="Vérifier les liens des fichiers Org")
+    parser.add_argument("json_file", help="Fichier JSON à examiner, généré par scan_links.py")
+    parser.add_argument("--output_dir", default="link_checker_output", help="Dossier de sortie pour les rapports")
+    args = parser.parse_args()
+
+    json_links_report = 'links_report_'+ args.json_file + '.json'
+
+    if not os.path.exists(json_links_report):
+        print(f"Le fichier {json_links_report} n'existe pas.")
+        return
+    
+    # Créer le dossier de sortie
+    os.makedirs(args.output_dir, exist_ok=True)
+    
+    # Charger les données JSON
+    with open(json_links_report, 'r', encoding='utf-8') as f:
+        data = json.load(f)
+    
+    print(f"Vérification des liens depuis {json_links_report}...")
+    
+    # Collecter toutes les URLs uniques par domaine
+    domains_to_urls = {}
+    url_to_articles = {}
+    
+    for article, links in data['article_links'].items():
+        for link in links:
+            url = link['url']
+            
+            # S'assurer que l'URL commence par http:// ou https://
+            if not url.startswith(('http://', 'https://')):
+                if url.startswith('www.'):
+                    url = 'https://' + url
+                else:
+                    # Ignorer les liens qui ne sont pas des URLs Web
+                    continue
+            
+            # Ajouter l'URL au dictionnaire des domaines
+            domain = urlparse(url).netloc
+            if domain not in domains_to_urls:
+                domains_to_urls[domain] = set()
+            domains_to_urls[domain].add(url)
+            
+            # Enregistrer les articles qui utilisent cette URL
+            if url not in url_to_articles:
+                url_to_articles[url] = []
+            url_to_articles[url].append(article)
+    
+    print(f"Vérification de {len(url_to_articles)} URLs uniques sur {len(domains_to_urls)} domaines...")
+    
+    # Vérifier les URLs avec un ThreadPoolExecutor
+    urls_to_check = list(url_to_articles.keys())
+    results = {}
+    
+    with ThreadPoolExecutor(max_workers=MAX_WORKERS) as executor:
+        future_to_url = {executor.submit(check_url, url): url for url in urls_to_check}
+        
+        for i, future in enumerate(future_to_url):
+            url = future_to_url[future]
+            try:
+                result = future.result()
+                results[url] = result
+                
+                # Afficher la progression
+                if (i + 1) % 10 == 0 or i + 1 == len(urls_to_check):
+                    print(f"Progression: {i + 1}/{len(urls_to_check)} URLs vérifiées")
+                
+                # Respecter le délai entre les requêtes pour le même domaine
+                domain = urlparse(url).netloc
+                time.sleep(REQUEST_DELAY)
+                
+            except Exception as e:
+                results[url] = {
+                    'url': url,
+                    'status': None,
+                    'accessible': False,
+                    'error': str(e)
+                }
+    
+    # Identifier les URLs inaccessibles
+    inaccessible_urls = [url for url, result in results.items() if not result['accessible']]
+    
+    # Collecter les articles avec des liens inaccessibles
+    articles_with_broken_links = {}
+    for url in inaccessible_urls:
+        for article in url_to_articles[url]:
+            if article not in articles_with_broken_links:
+                articles_with_broken_links[article] = []
+            
+            # Trouver le lien original avec sa description
+            original_links = [link for link in data['article_links'][article] if link['url'] == url]
+            for link in original_links:
+                articles_with_broken_links[article].append({
+                    'url': url,
+                    'description': link['description'],
+                    'status': results[url]['status'],
+                    'error': results[url]['error']
+                })
+    
+    # Générer les rapports
+    timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
+    
+    # 1. Rapport JSON détaillé
+    report_data = {
+        'meta': {
+            'generated_at': datetime.now().isoformat(),
+            'source_file': json_links_report,
+            'total_urls_checked': len(results),
+            'total_inaccessible_urls': len(inaccessible_urls),
+            'total_articles_with_broken_links': len(articles_with_broken_links)
+        },
+        'inaccessible_domains': {},
+        'articles_with_broken_links': articles_with_broken_links
+    }
+    
+    # Regrouper par domaine
+    for url in inaccessible_urls:
+        domain = urlparse(url).netloc
+        if domain not in report_data['inaccessible_domains']:
+            report_data['inaccessible_domains'][domain] = []
+        
+        report_data['inaccessible_domains'][domain].append({
+            'url': url,
+            'status': results[url]['status'],
+            'error': results[url]['error'],
+            'articles': url_to_articles[url]
+        })
+    
+    # Sauvegarder le rapport JSON
+    json_report_path = os.path.join(args.output_dir, f'broken_links_report_{args.json_file}_{timestamp}.json')
+    with open(json_report_path, 'w', encoding='utf-8') as f:
+        json.dump(report_data, f, ensure_ascii=False, indent=2)
+    
+    # 2. Rapport texte des domaines inaccessibles
+    domains_report_path = os.path.join(args.output_dir, f'inaccessible_domains_{args.json_file}_{timestamp}.txt')
+    with open(domains_report_path, 'w', encoding='utf-8') as f:
+        f.write(f"DOMAINES INACCESSIBLES ({len(report_data['inaccessible_domains'])}):\n")
+        f.write("=" * 80 + "\n\n")
+        
+        for domain, urls in report_data['inaccessible_domains'].items():
+            f.write(f"{domain} ({len(urls)} URLs):\n")
+            for url_data in urls:
+                status = f"Status: {url_data['status']}" if url_data['status'] else ""
+                error = f"Error: {url_data['error']}" if url_data['error'] else ""
+                f.write(f"  - {url_data['url']} {status} {error}\n")
+            f.write("\n")
+    
+    # 3. Rapport des liens à changer dans chaque article
+    articles_report_path = os.path.join(args.output_dir, f'articles_with_broken_links_{timestamp}.txt')
+    with open(articles_report_path, 'w', encoding='utf-8') as f:
+        f.write(f"ARTICLES AVEC LIENS CASSÉS ({len(articles_with_broken_links)}):\n")
+        f.write("=" * 80 + "\n\n")
+        
+        for article, links in articles_with_broken_links.items():
+            f.write(f"Fichier: {article}\n")
+            f.write("-" * 40 + "\n")
+            
+            for link in links:
+                description = f" ({link['description']})" if link['description'] else ""
+                status = f"Status: {link['status']}" if link['status'] else ""
+                error = f"Error: {link['error']}" if link['error'] else ""
+                f.write(f"  - {link['url']}{description} {status} {error}\n")
+            
+            f.write("\n")
+    
+    print("\nRapports générés:")
+    print(f"- Rapport JSON détaillé: {json_report_path}")
+    print(f"- Liste des domaines inaccessibles: {domains_report_path}")
+    print(f"- Liste des articles avec liens cassés: {articles_report_path}")
+    print(f"\nURLs vérifiées: {len(results)}")
+    print(f"URLs inaccessibles: {len(inaccessible_urls)}")
+    print(f"Articles avec liens cassés: {len(articles_with_broken_links)}")
+
+if __name__ == "__main__":
+    main()

scan_links.py

@@ -0,0 +1,174 @@
+#!/usr/bin/env python3
+"""
+Scanne les fichiers Org d'un dossier pour répertorier les liens.
+Génère un JSON listant pour chaque article ses liens et statistiques par domaine.
+"""
+
+import os
+import re
+import json
+import argparse
+import urllib.parse
+from datetime import datetime
+from collections import Counter, defaultdict
+
+def extract_links_from_org(file_path):
+    """Extrait tous les liens d'un fichier Org"""
+    links = []
+    try:
+        with open(file_path, 'r', encoding='utf-8') as file:
+            content = file.read()
+            
+            # Pattern pour trouver les liens Org-mode: [[url][description]] ou [[url]]
+            pattern = r'\[\[((?:https?:\/\/|www\.)[^\]]+)\](?:\[([^\]]*)\])?'
+            matches = re.finditer(pattern, content)
+            
+            for match in matches:
+                url = match.group(1)
+                description = match.group(2) if match.group(2) else ""
+                links.append({"url": url, "description": description})
+                
+            # Chercher aussi les liens simples http:// ou https:// qui ne sont pas dans la syntaxe [[]]
+            simple_pattern = r'(?<!\[)(?:https?:\/\/)[^\s\]]+(?!\])'
+            simple_matches = re.finditer(simple_pattern, content)
+            
+            for match in simple_matches:
+                url = match.group(0)
+                links.append({"url": url, "description": ""})
+                
+    except Exception as e:
+        print(f"Erreur lors de la lecture de {file_path}: {e}")
+    
+    return links
+
+def extract_domain(url):
+    """Extrait le nom de domaine d'une URL"""
+    try:
+        parsed_url = urllib.parse.urlparse(url)
+        domain = parsed_url.netloc
+        
+        # Supprimer www. si présent
+        if domain.startswith('www.'):
+            domain = domain[4:]
+            
+        return domain
+    except Exception:
+        return url
+
+def scan_directory(directory):
+    """Scanne un répertoire et ses sous-répertoires pour trouver des fichiers Org"""
+    article_links = {}
+    domain_counter = Counter()
+    
+    # Parcourir tous les sous-dossiers
+    for root, _, files in os.walk(directory):
+        for file in files:
+            if file.endswith('.org'):
+                file_path = os.path.join(root, file)
+                file_links = extract_links_from_org(file_path)
+                
+                if file_links:
+                    relative_path = os.path.relpath(file_path, os.path.dirname(directory))
+                    article_links[relative_path] = file_links
+                    
+                    # Compter les domaines
+                    for link in file_links:
+                        domain = extract_domain(link["url"])
+                        if domain:
+                            domain_counter[domain] += 1
+                            
+                    print(f"Trouvé {len(file_links)} liens dans {relative_path}")
+                
+    return article_links, domain_counter
+
+def merge_scan_results(results1, results2):
+    """Combine les résultats de deux scans"""
+    merged_article_links = {**results1[0], **results2[0]}
+    merged_domain_counter = results1[1] + results2[1]
+    return merged_article_links, merged_domain_counter
+
+def main():
+    parser = argparse.ArgumentParser(description="Scanner les liens dans les fichiers Org")
+    parser.add_argument("source_dir", help="Dossier source contenant les fichiers Org")
+    parser.add_argument("--output", default="links_report.json", 
+                        help="Fichier JSON de sortie (défaut: links_report.json)")
+    args = parser.parse_args()
+    
+    # Construire le nom du fichier de sortie avec le nom du dossier source
+    if args.output == "links_report.json":
+        args.output = f"links_report_{args.source_dir}.json"
+
+    folder_fr = f'sources/{args.source_dir}/lang_fr'
+    folder_en = f'sources/{args.source_dir}/lang_en'
+
+    if not os.path.exists(folder_fr) and not os.path.exists(folder_en):  
+        print(f"Les dossiers {folder_fr} et {folder_en} n'existent pas.")
+        return
+    
+    # Initialiser des résultats vides
+    combined_article_links = {}
+    combined_domain_counter = Counter()
+    
+    # Scanner le dossier français s'il existe
+    if os.path.exists(folder_fr):
+        print(f"Scan des liens dans {folder_fr}...")
+        fr_results = scan_directory(folder_fr)
+        combined_article_links, combined_domain_counter = fr_results
+        
+        print(f"Trouvé {len(combined_article_links)} articles en français avec {sum(len(links) for links in combined_article_links.values())} liens")
+    
+    # Scanner le dossier anglais s'il existe
+    if os.path.exists(folder_en):
+        print(f"Scan des liens dans {folder_en}...")
+        en_results = scan_directory(folder_en)
+        
+        # Si nous avons déjà des résultats en français, les combiner
+        if combined_article_links:
+            combined_article_links, combined_domain_counter = merge_scan_results(
+                (combined_article_links, combined_domain_counter),
+                en_results
+            )
+        else:
+            # Sinon, utiliser directement les résultats anglais
+            combined_article_links, combined_domain_counter = en_results
+        
+        print(f"Total cumulé: {len(combined_article_links)} articles avec {sum(len(links) for links in combined_article_links.values())} liens")
+    
+    # Préparer les données pour le JSON
+    output_data = {
+        "meta": {
+            "generated_at": datetime.now().isoformat(),
+            "source_directory": args.source_dir,
+            "total_articles": len(combined_article_links),
+            "total_links": sum(len(links) for links in combined_article_links.values()),
+            "total_domains": len(combined_domain_counter)
+        },
+        "article_links": combined_article_links,
+        "domains": {
+            domain: count for domain, count in sorted(
+                combined_domain_counter.items(), key=lambda x: x[1], reverse=True
+            )
+        }
+    }
+    
+    # Créer le dossier de sortie si nécessaire
+    output_dir = os.path.dirname(args.output)
+    if output_dir and not os.path.exists(output_dir):
+        os.makedirs(output_dir)
+    
+    # Sauvegarder les données dans un fichier JSON
+    with open(args.output, 'w', encoding='utf-8') as f:
+        json.dump(output_data, f, ensure_ascii=False, indent=2)
+    
+    print(f"Rapport généré avec succès dans {args.output}")
+    print(f"Total articles: {len(combined_article_links)}")
+    print(f"Total liens: {sum(len(links) for links in combined_article_links.values())}")
+    print(f"Total domaines: {len(combined_domain_counter)}")
+    
+    # Afficher les 10 domaines les plus fréquents
+    print("\nTop 10 des domaines les plus fréquents:")
+    for domain, count in list(combined_domain_counter.most_common(10)):
+        print(f"  {domain}: {count} liens")
+
+if __name__ == "__main__":
+    main()