#!/usr/bin/env python3
"""censar.py — CENSO de una máquina: qué corre, qué sirve, qué datos tiene. Sin IA, sin adivinar.

⚠ «Sólo lee» hay que decirlo con cuidado: NO ESCRIBE nada, pero las sondas de RED dejan huella. Ver
`sondear_dominio` — censar gioser contra sí mismo hizo que su propio fail2ban lo baneara.

Primer paso de la mudanza (SDD 29). Produce un inventario TOML que un humano revisa y que las etapas
siguientes consumen. NO toca nada: todo lo que hace son lecturas.

── LA REGLA QUE LO ORDENA TODO ─────────────────────────────────────────────────────────────────
Cruzar SIEMPRE lo DECLARADO contra lo VIVO, y reportar las tres clases por separado:

    vivo            declarado Y corriendo        ⇒ candidato a mudarse
    declarado-muerto  declarado y sin proceso    ⇒ candidato a morir
    no-declarado    corriendo y sin declaración  ⇒ EL TRABAJO REAL: nadie sabe cómo levantarlo

No es teoría. Medido sobre gioser (2026-09-11):
  · `rc-status` decía `stopped` de caddy, gitea, sshd, cronie y act-runner, y los CINCO estaban
    vivos colgando de PID 1. Un censo que lea sólo el init habría producido un plan que no arranca.
  · De los 19 dominios del Caddyfile, 8 no tenían DNS, 2 daban 502 y 3 ya vivían en OTRA máquina.
    Sólo 6 eran reales. Un censo que lea sólo la config habría mudado 13 fósiles.
  · Y el propio caddy de la caja NUEVA murió en un reinicio sin que nadie lo notara, porque estaba
    arrancado a mano y no declarado. Esa es la clase `no-declarado`, y es la que duele.

── POR QUÉ CADA SONDA ──────────────────────────────────────────────────────────────────────────
`ppid==1` es la verdad de qué corre, no el init. Los sockets en LISTEN dicen qué SIRVE. El DNS y un
GET dicen si alguien lo usa. `du` dice qué pesa. Nada de esto necesita juicio: son hechos, y el
juicio (qué se muda, qué muere) lo pone el usuario en la etapa siguiente, sobre este fichero.

Uso:
    scripts/mudanza/censar.py --host root@1.2.3.4 [--key ~/.ssh/id] [--out censo.toml]
    scripts/mudanza/censar.py --local                       # censa esta máquina

La superficie va en inglés (CLAUDE.md regla 4); los mensajes, en castellano.
"""
import argparse, json, os, re, shlex, subprocess, sys, time

# ── ejecución de sondas ─────────────────────────────────────────────────────────────────────────

class Objetivo:
    """Una máquina a censar. `run` devuelve (salida, ok) y NUNCA levanta: una sonda que falla es un
    dato («esa máquina no tiene ss»), no un motivo para abortar el censo entero."""

    def __init__(self, host=None, key=None, timeout=25):
        self.host, self.key, self.timeout = host, key, timeout

    def run(self, cmd):
        if self.host:
            base = ["ssh", "-o", "StrictHostKeyChecking=accept-new",
                    "-o", f"ConnectTimeout={self.timeout}", "-o", "BatchMode=yes"]
            if self.key:
                base += ["-i", os.path.expanduser(self.key)]
            argv = base + [self.host, cmd]
        else:
            argv = ["sh", "-c", cmd]
        try:
            p = subprocess.run(argv, capture_output=True, text=True, timeout=self.timeout * 4)
            return p.stdout.strip(), p.returncode == 0
        except Exception as e:
            return f"(sonda falló: {e})", False


# ── sondas ──────────────────────────────────────────────────────────────────────────────────────

def identidad(t):
    """Quién es esta máquina. El hostname MIENTE (gioser dice `momento`): la IP es el discriminador."""
    out, _ = t.run("hostname; ip -4 addr show scope global 2>/dev/null | grep -o 'inet [0-9.]*' | "
                   "cut -d' ' -f2 | head -3; uname -r; cat /proc/1/comm")
    ls = [l for l in out.splitlines() if l.strip()]
    return {
        "hostname": ls[0] if ls else "?",
        "ips": [l for l in ls[1:-2]] if len(ls) > 3 else [],
        "kernel": ls[-2] if len(ls) >= 2 else "?",
        "pid1": ls[-1] if ls else "?",
    }


def invocaciones(t, pids):
    """La LÍNEA DE COMANDO y el `cwd` de cada servicio vivo, leídos de `/proc`.

    Es el dato que convierte `no-declarado` de «acá hay un problema» en «acá está la solución»: si
    nadie sabe cómo levantar un servicio, lo que hace falta para declararlo es exactamente cómo se
    está ejecutando ahora. Sin esto el plan sólo puede decir «declaralo», que es lo que uno ya sabía.

    ⚠ Se lee `cmdline` y `cwd`, NO el entorno: `/proc/<pid>/environ` suele traer tokens y
    contraseñas, y un censo que se guarda en un fichero y se manda por ahí no puede llevarlos."""
    out = {}
    for nombre, ps in pids.items():
        pid = ps[0]
        # ⚠ SONDAS SEPARADAS, y es un bug pagado: iban en un solo comando, y como `readlink
        # /proc/<pid>/cwd` necesita permiso de ptrace (dueño o root), en cualquier proceso de root
        # el comando entero salía ≠0 y se descartaba TAMBIÉN el `cmdline`, que sí se podía leer.
        # Resultado: 26 de 37 servicios sin invocación, justo el dato que da sentido al censo.
        # Una sonda que falla es un dato; no puede arrastrarse a las que funcionaron.
        cmd, _ = t.run(f"tr '\\0' ' ' < /proc/{pid}/cmdline 2>/dev/null")
        cwd, _ = t.run(f"readlink /proc/{pid}/cwd 2>/dev/null")
        # ⚠ Tercera sonda, y también separada. Muchos demonios REESCRIBEN su `argv[0]` para decir en
        # qué andan (`sshd: /usr/bin/sshd [listener]`, `php-fpm: master process (…)`), así que la
        # línea de comando NO dice cuál es el binario. `/proc/<pid>/exe` sí — pero necesita permiso
        # de ptrace, o sea ser el dueño o root. Medido en gioser con uid 1001: 7 de 38 servicios
        # quedaban en «no se pudo leer su binario» por esto, y no por ser realmente desconocidos.
        exe, _ = t.run(f"readlink /proc/{pid}/exe 2>/dev/null")
        cmd, cwd, exe = cmd.strip(), cwd.strip(), exe.strip()
        # ⚠⚠ `/proc/<pid>/exe` termina en « (deleted)» cuando el fichero YA NO ESTÁ en disco: el
        # proceso sostiene el inodo y nadie más lo puede abrir por su ruta. Medido en gioser: CUATRO
        # servicios están así, y en dos de ellos hay AHORA otro fichero en la misma ruta, de distinto
        # tamaño — `tejido` corre 12 750 368 bytes y en su ruta hay 13 815 864. Copiar la ruta muda
        # OTRA COSA, en silencio, y el servicio nuevo no es el que estaba andando.
        #
        # Se recupera leyendo `/proc/<pid>/exe`, y SÓLO mientras el proceso viva: al reiniciar gioser
        # —o al morirse ese pid— ese binario desaparece para siempre. En una mudanza que termina
        # BORRANDO el origen, esto es lo más urgente del censo.
        borrado = exe.endswith(" (deleted)")
        if borrado:
            exe = exe[:-len(" (deleted)")]
        vivo_b = disco_b = ""
        if borrado:
            v, _ = t.run(f"stat -L -c %s /proc/{pid}/exe 2>/dev/null")
            d, _ = t.run(f"stat -c %s {shlex.quote(exe)} 2>/dev/null")
            vivo_b = v.strip() if v.strip().isdigit() else ""
            disco_b = d.strip() if d.strip().isdigit() else ""
        for v in ("cmd", "cwd", "exe"):
            if locals()[v].startswith("(sonda falló"):
                cmd, cwd, exe = (("" if v == "cmd" else cmd), ("" if v == "cwd" else cwd),
                                 ("" if v == "exe" else exe))
        sup = SUPERVISADOS.get(pid)
        if sup:
            cmd, exe = sup["cmdline"], sup["exec"]
        if cmd or cwd or exe:
            out[nombre] = {"cmdline": cmd, "cwd": cwd,
                           "exe": exe if exe.startswith("/") else "",
                           "usuario": (sup or {}).get("usuario", ""),
                           "exe_borrado": borrado, "pid": pid,
                           "bytes_vivo": vivo_b, "bytes_disco": disco_b}
    return out


def duenos(t, ejecutables):
    """¿Quién PROVEE el binario de cada servicio? Determinista, preguntándole al gestor de paquetes
    del origen.

    Es lo que convierte «instalá el paquete» —que es lo que uno ya sabía— en una instrucción: o el
    binario lo trae un paquete con nombre, o NO lo trae nadie y entonces es un compilado suelto que
    hay que llevar o reconstruir. La diferencia decide el trabajo, y no se adivina.

    Una consulta por lote, no una por servicio: son decenas de servicios y cada `ssh` cuesta."""
    if not ejecutables:
        return {}
    lista = " ".join(shlex.quote(e) for e in sorted(set(ejecutables)))
    # Se prueba el gestor que exista. `2>/dev/null || echo -` ⇒ un fichero sin dueño no aborta el lote.
    guion = (
        'for f in %s; do '
        '  if command -v pacman >/dev/null 2>&1; then o=$(pacman -Qoq "$f" 2>/dev/null); '
        '  elif command -v dpkg >/dev/null 2>&1; then o=$(dpkg -S "$f" 2>/dev/null | cut -d: -f1); '
        '  elif command -v apk >/dev/null 2>&1; then o=$(apk info -W "$f" 2>/dev/null | tail -1 '
        '       | sed "s/.* is owned by //;s/-[0-9].*//"); '
        '  elif command -v rpm >/dev/null 2>&1; then o=$(rpm -qf "$f" 2>/dev/null); '
        '  else o=""; fi; '
        '  echo "$f|${o:-}"; done'
    ) % lista
    out, _ = t.run(guion)
    res = {}
    for l in out.splitlines():
        if "|" in l:
            f, o = l.split("|", 1)
            res[f.strip()] = o.strip()
    return res


# Envoltorios que NO son el servicio: el nombre de verdad está en sus argumentos. Sin desenvolverlos,
# los CINCO `supervise-daemon` de gioser se juntaban en UNA entrada llamada `supervise-daemo` — cinco
# servicios distintos (shuma-daemon, dbus, metalog…) colapsados en una tarjeta con el nombre del
# envoltorio. Un servicio de más es ruido; cinco servicios fundidos en uno es un plan que no arranca.
SUPERVISORES = {"supervise-daemon", "start-stop-daemon", "s6-supervise", "runsv", "daemonize"}
_COMM_SUP = {s[:15] for s in SUPERVISORES}

# pid → lo que el supervisor manda de verdad. Se llena al listar los procesos y se consulta al leer
# `/proc`: el pid con ppid==1 es el SUPERVISOR, así que su `cmdline` y su `exe` describen al
# envoltorio, no al servicio.
SUPERVISADOS = {}


def _mandado_por_supervisor(args):
    """El comando REAL que hay detrás de `supervise-daemon`, y con qué usuario corre.

    El formato es `supervise-daemon <servicio> --start [opciones] <ejecutable> -- [argumentos]`, así
    que el ejecutable es el ÚLTIMO token antes del `--` suelto. Comprobado contra los cinco de gioser
    (dbus, dhcpcd, metalog, squid, shuma-daemon).

    ⚠ Sin esto, el censo guardaba como `cmdline` la línea del SUPERVISOR — y una tarjeta de arje
    hecha con eso arrancaría `supervise-daemon` DENTRO de arje, que ya supervisa. Y el `exec` salía
    `/usr/bin/supervise-daemon`, o sea que `squid` figuraba como provisto por el paquete `openrc`.

    ⚠⚠ Y se rescata el `--user`: `shuma-daemon` corre como `sergio`. Perder ese dato al desenvolver
    sería la misma elisión que el escritor de arje reporta como SIN-TRADUCIR — un servicio que en el
    origen corría sin privilegios terminaría de root en el destino, y nadie se enteraría."""
    p = args.split()
    if "--start" not in p:
        return "", "", ""
    resto = p[p.index("--start") + 1:]
    usuario = ""
    for i, x in enumerate(resto):
        if x in ("--user", "-u") and i + 1 < len(resto):
            usuario = resto[i + 1]
            break
    corte = resto.index("--") if "--" in resto else len(resto)
    izq, der = resto[:corte], resto[corte + 1:]
    if not izq or not izq[-1].startswith("/"):
        return "", "", usuario
    return izq[-1], " ".join([izq[-1]] + der), usuario


def _desenvolver(comm, args):
    """(nombre_real, args_reales) para un proceso que puede ser un envoltorio."""
    p = args.split()
    if not p:
        return comm, args
    base = os.path.basename(p[0])
    if base not in SUPERVISORES and comm not in {s[:15] for s in SUPERVISORES}:
        return comm, args
    if base in ("supervise-daemon", "s6-supervise", "runsv") and len(p) > 1:
        # `supervise-daemon <servicio> --start …` · `runsv /etc/service/<servicio>`
        return os.path.basename(p[1].rstrip("/")), args
    for i, x in enumerate(p):                      # start-stop-daemon
        if x in ("--name", "-n") and i + 1 < len(p):
            return p[i + 1], args
        if x in ("--exec", "-x", "--startas", "-a") and i + 1 < len(p):
            return os.path.basename(p[i + 1]), args
    return comm, args


def _destruncar(comm, args):
    """`comm` viene del kernel y está capado a 15 caracteres: `willay-crosscheck` llega como
    `willay-crossche`. Ese nombre truncado no es cosmético — es el que el plan mete en
    `--in /etc/init.d/<nombre>` (ruta que no existe) y el que va de `label` en la tarjeta de arje.
    La línea de comando sí trae el nombre entero, así que se usa ESA cuando confirma al truncado."""
    if len(comm) < 15:
        return comm
    p = args.split()
    if p:
        base = os.path.basename(p[0])
        if base.startswith(comm):
            return base
    return comm


def procesos_vivos(t):
    """Lo que REALMENTE corre, colgado de PID 1. La verdad, no la declaración."""
    out, _ = t.run("ps -eo pid=,ppid=,comm=,args= 2>/dev/null | awk '$2==1 && $1!=1'")
    vivos = {}
    for l in out.splitlines():
        parts = l.split(None, 3)
        if len(parts) < 3 or not parts[0].isdigit():
            continue
        pid, comm, args = int(parts[0]), parts[2], (parts[3] if len(parts) > 3 else "")
        nombre, args = _desenvolver(comm, args)
        nombre = _destruncar(nombre, args)
        exe, linea, usuario = _mandado_por_supervisor(args) if comm[:15] in _COMM_SUP else ("", "", "")
        if exe:
            SUPERVISADOS[pid] = {"exec": exe, "cmdline": linea, "usuario": usuario}
        vivos.setdefault(nombre, []).append(pid)
    # los kernel threads no son servicios
    return {k: v for k, v in vivos.items() if not k.startswith(("kworker", "kthread", "ksoftirq",
                                                                "migration", "rcu_", "irq/", "idle_"))}


def puertos(t):
    """Qué SIRVE esta máquina, y quién. Un servicio sin puerto no se muda igual que uno con puerto."""
    out, ok = t.run("ss -lntpH 2>/dev/null || netstat -lntp 2>/dev/null | tail -n +3")
    res = []
    for l in out.splitlines():
        m = re.search(r'(\S+):(\d+)\s', l)
        proc = re.search(r'\("([^"]+)"|/(\S+)\s*$', l)
        if m:
            res.append({"addr": m.group(1), "port": int(m.group(2)),
                        "proc": (proc.group(1) or proc.group(2)) if proc else "?"})
    # dedup por (puerto, proc)
    vistos, uniq = set(), []
    for r in sorted(res, key=lambda x: x["port"]):
        k = (r["port"], r["proc"])
        if k not in vistos:
            vistos.add(k); uniq.append(r)
    return uniq


def declarados(t):
    """Lo que el init DICE que hay. Se compara contra lo vivo — no se cree."""
    fuentes = {}
    # `rc-status -a` lista TODO lo disponible en el sistema, no lo que esta máquina usa: en gioser
    # daba 100 «declarado-muerto» que no significan nada. `rc-update show` da lo ENCENDIDO por
    # runlevel, que es lo que de verdad se declara.
    out, ok = t.run("rc-update show 2>/dev/null | awk '{print $1}' | grep -E '^[a-z]'")
    if ok and out:
        fuentes["openrc"] = out.split()
    out, ok = t.run("systemctl list-units --type=service --no-legend --no-pager 2>/dev/null | awk '{print $1}'")
    if ok and out:
        fuentes["systemd"] = [s.replace(".service", "") for s in out.split()]
    out, ok = t.run("ls /etc/arje/cards.d/ 2>/dev/null")
    if ok and out:
        fuentes["arje-cards"] = [s.replace(".json", "") for s in out.split()]
    out, ok = t.run("python3 -c \"import json;print(' '.join(n['label'] for n in "
                    "json.load(open('/ente/seed.card.json'))['genesis']))\" 2>/dev/null")
    if ok and out:
        fuentes["arje-seed"] = out.split()
    out, ok = t.run("ls /etc/service /run/runit/service 2>/dev/null")
    if ok and out:
        fuentes["runit"] = out.split()
    return fuentes


# Config del servidor web → qué sitio apunta a qué directorio. Se lee con los LECTORES del centro de
# traducción (`formatos/`), no con un parser propio: ya existen para caddy, nginx y apache, y tener
# dos parsers del mismo formato es cómo se separan sin que nadie lo note.
_CONFS = [("/etc/caddy/Caddyfile", "caddy"),
          ("/etc/nginx/nginx.conf", "nginx"),
          ("/etc/nginx/sites-enabled/*", "nginx"),
          ("/etc/apache2/sites-enabled/*", "apache"),
          ("/etc/httpd/conf.d/*", "apache")]


def sitios_web(t):
    """Los sitios declarados en la config, con su raíz y si esa raíz EXISTE.

    ── POR QUÉ ESTO NO LO PODÍA DECIR EL DNS ───────────────────────────────────────────────────
    La sonda DNS dice si un dominio resuelve; no si el servidor tiene algo que servirle. Un bloque
    cuyo `root` apunta a un directorio que NO existe es un fósil que devuelve 502 — y eso se lee del
    fichero: **sin red, sin pedirle una página al servidor, sin arriesgar su fail2ban**. Medido en
    gioser: 3 sitios (`aura`, `sigma`, `kosmofono`) apuntan a raíces borradas, lo que explica los
    502 que en su día hicieron que el censo se baneara a sí mismo al sondearlos por HTTP.

    Y sirve para lo contrario: un directorio que la config SÍ referencia no es un huérfano. Sin esto
    el censo marcó `/var/www/git-tawasuyu` como «nadie lo recuerda» cuando es un sitio vivo."""
    import formatos
    lectores, _ = formatos.cargar()
    res = []
    for patron, fmt in _CONFS:
        if fmt not in lectores:
            continue
        ficheros = [patron]
        if "*" in patron:
            out, ok = t.run(f"ls -1 {patron} 2>/dev/null")
            ficheros = out.split() if ok and out.strip() else []
        for f in ficheros:
            texto, ok = t.run(f"cat {f} 2>/dev/null")
            if not ok or not texto.strip() or texto.startswith("(sonda falló"):
                continue
            try:
                cfg = lectores[fmt][0](texto, f)
            except Exception as e:
                # Un parser que revienta NO puede tumbar el censo entero, pero tampoco callarse:
                # sin esto uno cree que el servidor no declara sitios, que es lo contrario del dato.
                res.append({"config": f, "formato": fmt, "nombres": "", "raiz": "",
                            "raiz_existe": "error", "detalle": f"no se pudo leer: {e}"[:120]})
                continue
            for s in cfg.sitios:
                # El `root` del sitio Y los de sus rutas anidadas: un `handle` con su propio `root`
                # referencia disco igual, y no verlo es lo que hacía pasar por huérfano a un sitio vivo.
                raices = [(s.raiz or "").rstrip("/")] + [
                    a.valor.rstrip("/") for r in s.rutas for a in r.acciones if a.tipo == "archivos"]
                for raiz in dict.fromkeys(x for x in raices if x) or [""]:
                    res.append({"config": f, "formato": fmt,
                                "nombres": " ".join(s.nombres), "raiz": raiz,
                                "raiz_existe": "", "detalle": ""})
    # Un solo comando para todas las raíces: una sonda por directorio sobre SSH es lentísima.
    raices = sorted({r["raiz"] for r in res if r["raiz"]})
    if raices:
        guion = "; ".join(f'[ -d {shlex.quote(d)} ] && echo "SI {d}" || echo "NO {d}"' for d in raices)
        out, _ = t.run(guion)
        estado = {}
        for l in out.splitlines():
            p = l.split(None, 1)
            if len(p) == 2:
                estado[p[1]] = "si" if p[0] == "SI" else "no"
        for r in res:
            if r["raiz"]:
                r["raiz_existe"] = estado.get(r["raiz"], "?")
    return res


def dominios(t):
    """Los dominios que la máquina DICE servir, contrastados con DNS y con un GET real.

    Las tres respuestas posibles importan y son distintas: sin DNS (nadie lo resuelve), con DNS pero
    5xx (backend caído), y con DNS y 200 (vivo). Y hay una cuarta que sólo se ve mirando a DÓNDE
    resuelve: un dominio que responde 200 desde OTRA IP ya está mudado, y su bloque de config acá
    es un fósil."""
    confs = ["/etc/caddy/Caddyfile", "/etc/nginx/nginx.conf", "/etc/nginx/sites-enabled/*",
             "/etc/apache2/sites-enabled/*", "/etc/httpd/conf.d/*"]
    out, _ = t.run("cat " + " ".join(confs) + " 2>/dev/null")
    nombres = set()
    for l in out.splitlines():
        s = l.strip()
        if s.startswith("#"):
            continue
        # caddy: «a.com, b.com {» · nginx/apache: «server_name a.com b.com;» / «ServerName a.com»
        if s.endswith("{") and not s.startswith(("@", "}")):
            cand = s[:-1]
        elif s.lower().startswith(("server_name", "servername", "serveralias")):
            cand = s.split(None, 1)[1].rstrip(";") if len(s.split(None, 1)) > 1 else ""
        else:
            continue
        for d in re.split(r'[,\s]+', cand):
            d = d.strip().rstrip(";")
            if re.fullmatch(r'[a-z0-9]([a-z0-9-]*[a-z0-9])?(\.[a-z0-9-]+)+', d, re.I):
                nombres.add(d.lower())
    return sorted(nombres)


def sondear_dominio(d, ips_maquina, http=True):
    """DNS (+ HTTP opcional) desde donde corre el censo. Determinista, sin juicio.

    ⚠⚠ **NO se hace contra la máquina que uno está censando desde ella misma.** «Sólo lee» era falso:
    leer POR RED tiene efectos. Medido el 2026-09-11 — censar gioser en modo `--local` disparó 29
    peticiones HTTPS a sus propios dominios, varios devuelven 502, y su `fail2ban` (jaula
    `caddy-backend-down`) **baneó la propia IP de la máquina**. Resultado: gioser dejó de poder hablar
    con su propio gitea y los `git push` empezaron a fallar con «Could not read from remote
    repository». Un censo que deja la máquina incomunicada no es de sólo lectura.

    Y además es metodológicamente mejor: lo que interesa es **qué ve el mundo**, no qué ve la máquina
    de sí misma. Por eso la sonda se hace desde donde corre el censo —el operador o la caja nueva— y
    se SALTA cuando se censa en local, salvo `--probe` explícito.

    ── PERO EL DNS NO TOCA AL ORIGEN ───────────────────────────────────────────────────────────
    Lo que dispara el fail2ban es el HTTP, no la resolución: `getent` le pregunta al DNS, no al
    servidor. Con `--probe-dns` se sondea SÓLO el nombre, y eso ya contesta la pregunta que más
    pesa en una mudanza — **cuáles de estos dominios siguen apuntando acá y cuáles son fósiles**.
    Lo que el DNS solo NO puede decir es si el backend contesta, así que esos dominios quedan en
    `apunta-aca`, que es una clase propia y no `vivo`: decir «vivo» sin haber pedido una página
    sería exactamente la respuesta falsa con forma de respuesta que este censo existe para evitar."""
    ip = ""
    try:
        r = subprocess.run(["getent", "ahostsv4", d], capture_output=True, text=True, timeout=10)
        if r.returncode == 0 and r.stdout.strip():
            ip = r.stdout.split()[0]
    except Exception:
        pass
    code = ""
    if ip and http:
        try:
            r = subprocess.run(["curl", "-sk", "-o", "/dev/null", "-w", "%{http_code}",
                                "--max-time", "8", f"https://{d}/"], capture_output=True, text=True, timeout=20)
            code = r.stdout.strip() or "000"
        except Exception:
            pass
    if not ip:
        clase = "fosil-sin-dns"
    elif ip not in ips_maquina:
        clase = "ya-mudado"          # resuelve a otra máquina: el bloque de acá es fósil
    elif not http:
        clase = "apunta-aca"         # resuelve acá; si SIRVE no se preguntó, y no se inventa
    elif code.startswith(("2", "3")):
        clase = "vivo"
    else:
        clase = "backend-caido"
    return {"domain": d, "dns": ip, "http": code, "class": clase}


def datos(t, raices):
    """Qué pesa y dónde. Sin esto no se puede dimensionar la mudanza — y `du` sobre hardlinks MIENTE
    para dimensionar una COPIA (medido: 60 G por `du`, 85 G al copiar sin `-H`), así que se reportan
    los dos números."""
    res = []
    for r in raices:
        out, ok = t.run(f"du -sh {shlex.quote(r)} 2>/dev/null | cut -f1; "
                        f"du -sh --count-links {shlex.quote(r)} 2>/dev/null | cut -f1")
        ls = out.splitlines()
        if ok and ls:
            res.append({"path": r, "size": ls[0],
                        "size_copy": ls[1] if len(ls) > 1 else ls[0]})
    return res


def montajes(t):
    out, _ = t.run("df -h 2>/dev/null | grep -vE 'tmpfs|devtmpfs|^Filesystem|^Sist' ")
    res = []
    for l in out.splitlines():
        f = l.split()
        if len(f) >= 6:
            res.append({"dev": f[0], "size": f[1], "used": f[2], "avail": f[3], "mount": f[-1]})
    return res


def fuera_de_git(t):
    """Lo que NO viaja con el repo y sin lo cual el servidor nuevo no funciona. Se reporta la
    EXISTENCIA, nunca el contenido: un censo no copia secretos."""
    cands = ["~/.ssh", "/root/.ssh", "~/.config/hammer", "/root/.config/hammer",
             "/etc/caddy", "/etc/nginx", "/etc/letsencrypt", "/var/lib/gitea",
             "/etc/arje/cards.d", "/ente"]
    res = []
    for c in cands:
        out, ok = t.run(f"ls -d {c} >/dev/null 2>&1 && ls -1 {c} 2>/dev/null | head -20")
        if ok:
            res.append({"path": c, "entries": out.split() if out else []})
    out, _ = t.run("crontab -l 2>/dev/null | grep -vE '^#|^$' | wc -l")
    if out.isdigit() and int(out) > 0:
        res.append({"path": "crontab", "entries": [f"{out} líneas"]})
    return res


def contenido_web(t, raices=("/var/www", "/srv")):
    """Qué hay en las raíces de contenido web, con su tamaño. Un nivel, sin juicio.

    ── POR QUÉ EXISTE ──────────────────────────────────────────────────────────────────────────
    La regla 2 del plan dice que lo que muere se nombra «por su nombre Y CON SU TAMAÑO». Los
    servicios y los datos ya lo cumplían; los DOMINIOS no — se listaban pelados, y un dominio fósil
    no pesa nada por sí mismo: pesa lo que dejó en disco. `terapeuta.ec` no resuelve en ningún DNS y
    tiene 279 M en `/var/www/terapeuta`. Que eso se supiera dependía de que alguien se acordara.

    ⚠ **No se afirma la correspondencia, se OFRECE.** El directorio se llama `terapeuta` y el
    dominio `terapeuta.ec`: no coinciden. Una regla difusa que empareje «casi» acierta la mayoría de
    las veces y el resto de las veces manda a borrar lo que no era. Se listan los candidatos con su
    tamaño y decide el humano — y se listan TAMBIÉN los directorios que no se parecen a ningún
    dominio, que son los que nadie recuerda (`gioser.bak.20260501`, `ogisoer`)."""
    res = []
    for raiz in raices:
        out, ok = t.run(f"du -sh {raiz}/* 2>/dev/null | sort -rh | head -40")
        if not ok or not out.strip():
            continue
        for l in out.splitlines():
            p = l.split(None, 1)
            if len(p) == 2 and p[1].startswith("/"):
                res.append({"path": p[1], "size": p[0], "raiz": raiz})
    return res


def candidatos_de(dominio, contenido):
    """Directorios que PODRÍAN ser de este dominio. Por etiqueta principal, no por nombre completo."""
    d = dominio.lower()
    etiquetas = [x for x in d.split(".") if x not in ("www", "com", "net", "org", "ec", "io", "dev")]
    principal = etiquetas[-1] if etiquetas else d
    out = []
    for c in contenido:
        base = os.path.basename(c["path"]).lower()
        if principal and (principal in base or base.split(".")[0] in etiquetas):
            out.append(c)
    return out


# ── clasificación ───────────────────────────────────────────────────────────────────────────────

# Nombres que NO son servicios: son el andamiaje del sistema o hijos de un servicio. Contarlos como
# `no-declarado` es ruido, y un censo con hallazgos falsos se ignora entero.
NO_SERVICIOS = {
    "agetty", "getty", "login", "bash", "sh", "dash", "zsh", "ssh", "sshd-session", "su", "sudo",
    "bwrap", "ps", "awk", "sed", "tail", "sleep", "rsync", "scp", "cat", "python3", "perl",
    # Restos de tubería reparentados a PID 1 cuando su padre muere. Medido: `head -15` figuraba como
    # servicio `no-declarado` con ppid==1. No se esconden —salen en `descartados`, porque un huérfano
    # ES un hallazgo— pero no son servicios y contarlos como tales es el ruido que mata un censo.
    "head", "tr", "cut", "grep", "wc", "find", "xargs", "tee", "sort", "uniq", "env", "nohup",
    "timeout", "flock", "tar", "gzip", "zstd", "dd", "md5sum", "sha256sum", "less", "more",
}


def normalizar(n):
    """Un mismo servicio se llama distinto en cada sitio: OpenRC dice `act-runner`, `ps` dice
    `act_runner`, systemd dice `act-runner.service`, y los getty por tty son `agetty.tty1`,
    `agetty-tty2`… Sin normalizar, el MISMO proceso sale a la vez como `no-declarado` y como
    `declarado-muerto`, que son las dos clases que más importan. Medido en gioser: pasaba con
    `act_runner`."""
    n = n.strip().lower()
    for suf in (".service", ".socket", ".timer", ".target"):
        if n.endswith(suf):
            n = n[: -len(suf)]
    n = n.replace("_", "-")
    n = re.sub(r'[.\-]tty\d+$', '', n)       # agetty.tty1 / agetty-tty2 → agetty
    n = re.sub(r'\d+$', '', n) if re.fullmatch(r'[a-z-]+\d+', n) else n
    return n


def emparenta(vivo, declarado):
    """¿Son el mismo servicio con distinto nombre? Los desajustes son sistemáticos, no caprichosos:
    el DEMONIO y la UNIDAD se llaman distinto. Medidos en gioser: `crond`↔`cronie`,
    `dbus-daemon`↔`dbus`, `fail2ban-server`↔`fail2ban`, `elogind-daemon`↔`elogind`.

    Sin esto, cada uno de ésos aparece a la vez como `no-declarado` (falso: sí está declarado) y como
    `declarado-muerto` (falso: sí está corriendo) — las dos clases que más importan, las dos mal."""
    if vivo == declarado:
        return True
    for suf in ("-daemon", "-server", "-bin"):
        if vivo.endswith(suf) and vivo[: -len(suf)] == declarado:
            return True
    # `crond` → `cron`, prefijo de `cronie`. `sshd` → `ssh`. Sólo quitando UNA `d` final y exigiendo
    # prefijo: quitar letras a ciegas emparenta cosas que no tienen nada que ver.
    if len(vivo) > 4 and vivo.endswith("d") and declarado.startswith(vivo[:-1]):
        return True
    return False


def es_nombre_de_servicio(n):
    """Descarta lo que claramente no es un servicio: versiones (`2.1.240`), rutas, vacíos. Salieron
    de parsear `rc-status -a`, cuya salida incluye líneas que no son unidades."""
    return bool(re.fullmatch(r'[a-z][a-z0-9@._+-]{1,40}', n)) and not re.fullmatch(r'[\d.]+', n)


def clasificar(vivos, decl):
    """Las tres clases. `no-declarado` es la importante: corre y nadie sabe cómo levantarlo."""
    # índice normalizado: nombre-canónico → fuentes que lo declaran
    idx = {}
    for fuente, nombres in decl.items():
        for n in nombres:
            if es_nombre_de_servicio(n.lower()):
                idx.setdefault(normalizar(n), set()).add(fuente)

    out, vistos, descartados = [], set(), []
    for nombre, pids in sorted(vivos.items()):
        canon = normalizar(nombre)
        if canon in NO_SERVICIOS or not es_nombre_de_servicio(canon):
            # No se esconde: un proceso con ppid==1 que no es un servicio suele ser un HUÉRFANO, y
            # eso es un hallazgo (procesos fugados que retienen locks, por ejemplo).
            descartados.append(nombre)
            continue
        fuentes = sorted(idx.get(canon, set()))
        if not fuentes:  # segunda pasada: demonio vs unidad
            emparentados = [f for d, fs in idx.items() if emparenta(canon, d) for f in fs]
            fuentes = sorted(set(emparentados))
            if fuentes:
                vistos.update(d for d in idx if emparenta(canon, d))
        vistos.add(canon)
        out.append({"name": nombre, "pids": pids,
                    "class": "vivo" if fuentes else "no-declarado",
                    "declared_in": fuentes})
    for canon in sorted(set(idx) - vistos):
        if canon in NO_SERVICIOS:
            continue
        out.append({"name": canon, "pids": [],
                    "class": "declarado-muerto",
                    "declared_in": sorted(idx[canon])})
    return out, descartados


# ── salida ──────────────────────────────────────────────────────────────────────────────────────

def toml_escape(s):
    return '"' + str(s).replace("\\", "\\\\").replace('"', '\\"') + '"'


def emitir_toml(c):
    L = []
    L.append("# censo de mudanza — generado por scripts/mudanza/censar.py. NO editar a mano salvo")
    L.append("# para DECIDIR: la etapa siguiente lee `decision` de cada entrada.")
    L.append(f"schema = \"takana-censo/1\"")
    L.append(f"fecha = {toml_escape(c['fecha'])}")
    L.append("")
    L.append("[maquina]")
    for k, v in c["identidad"].items():
        L.append(f"{k} = {toml_escape(v) if isinstance(v, str) else json.dumps(v)}")
    L.append("")
    for m in c["montajes"]:
        L.append("[[montaje]]")
        for k, v in m.items():
            L.append(f"{k} = {toml_escape(v)}")
        L.append("")
    for s in c["servicios"]:
        L.append("[[servicio]]")
        L.append(f"name = {toml_escape(s['name'])}")
        L.append(f"class = {toml_escape(s['class'])}")
        L.append(f"declared_in = {json.dumps(s['declared_in'])}")
        L.append(f"pids = {json.dumps(s['pids'])}")
        L.append(f"ports = {json.dumps([p['port'] for p in c['puertos'] if p['proc'].startswith(s['name'][:15])])}")
        L.append(f"cmdline = {toml_escape(s.get('cmdline',''))}")
        L.append(f"cwd = {toml_escape(s.get('cwd',''))}")
        L.append(f"exec = {toml_escape(s.get('exec',''))}")
        if s.get('usuario'):
            L.append(f"usuario = {toml_escape(s['usuario'])}")
        if s.get('exec_borrado'):
            L.append("exec_borrado = true")
            L.append(f"pid_vivo = {int(s.get('pid_vivo') or 0)}")
            L.append(f"bytes_vivo = {toml_escape(s.get('bytes_vivo',''))}")
            L.append(f"bytes_disco = {toml_escape(s.get('bytes_disco',''))}")
        if s.get('exec_motivo'):
            L.append(f"exec_motivo = {toml_escape(s['exec_motivo'])}")
        L.append(f"paquete = {toml_escape(s.get('paquete',''))}")
        L.append('decision = ""   # muda | muere | (vacío = sin decidir)')
        L.append("")
    for x in c.get("sitios", []):
        L.append("[[sitio]]")
        for k, v in x.items():
            L.append(f"{k} = {toml_escape(v)}")
        L.append("")
    for x in c.get("contenido", []):
        L.append("[[contenido]]")
        for k, v in x.items():
            L.append(f"{k} = {toml_escape(v)}")
        L.append("")
    for d in c["dominios"]:
        L.append("[[dominio]]")
        for k, v in d.items():
            L.append(f"{k} = {toml_escape(v)}")
        L.append('decision = ""   # muda | muere | (vacío = sin decidir)')
        L.append("")
    for d in c["datos"]:
        L.append("[[datos]]")
        for k, v in d.items():
            L.append(f"{k} = {toml_escape(v)}")
        # ⚠ `destino` existe porque la ruta de origen NO tiene por qué caber en la misma ruta del
        # destino. Medido contra la caja takana: `/` tiene 3,5 G libres y los datos de gioser son
        # 33,6 G — el sitio está en `/work` (66 G) y en `/store` (19 G). Sin este campo el plan
        # copiaba ruta→misma ruta y la mudanza no entraba, con el detalle de que el fallo aparece a
        # mitad de un rsync de 22 G.
        L.append('destino = ""   # vacío = la MISMA ruta en el destino. Ej: "/work/home"')
        L.append('decision = ""   # muda | muere | (vacío = sin decidir)')
        L.append("")
    for f in c["fuera_de_git"]:
        L.append("[[fuera_de_git]]")
        L.append(f"path = {toml_escape(f['path'])}")
        L.append(f"entries = {json.dumps(f['entries'])}")
        L.append("")
    return "\n".join(L) + "\n"


def resumen(c):
    i = c["identidad"]
    print(f"\n══ CENSO de {i['hostname']} ({', '.join(i['ips']) or '?'}) ══")
    print(f"   kernel {i['kernel']} · PID 1: {i['pid1']}")
    por_clase = {}
    for s in c["servicios"]:
        por_clase.setdefault(s["class"], []).append(s["name"])
    print("\n── servicios ──")
    for cl in ("vivo", "no-declarado", "declarado-muerto"):
        n = por_clase.get(cl, [])
        marca = "⚠ " if cl == "no-declarado" else "  "
        print(f"{marca}{cl:18} {len(n):3}  {' '.join(sorted(n)[:8])}{' …' if len(n) > 8 else ''}")
    if c.get("huerfanos"):
        print(f"   descartados (no son servicios: herramientas sueltas o HUÉRFANOS con ppid==1): "
              f"{len(c['huerfanos'])}  {' '.join(sorted(c['huerfanos'])[:8])}")
    if por_clase.get("no-declarado"):
        print("   ⚠ `no-declarado` = corre y NADIE sabe cómo levantarlo. Es el trabajo de la mudanza.")
    if c["dominios"]:
        print("\n── dominios ──")
        pd = {}
        for d in c["dominios"]:
            pd.setdefault(d["class"], []).append(d["domain"])
        for cl in ("vivo", "apunta-aca", "ya-mudado", "backend-caido", "fosil-sin-dns", "sin-sondear"):
            n = pd.get(cl, [])
            if n:
                print(f"  {cl:16} {len(n):3}  {' '.join(sorted(n)[:6])}{' …' if len(n) > 6 else ''}")
    if c["datos"]:
        print("\n── datos ──")
        for d in c["datos"]:
            extra = f"  (copiar sin -H: {d['size_copy']})" if d["size_copy"] != d["size"] else ""
            print(f"  {d['path']:28} {d['size']:>7}{extra}")
    print()


def main():
    ap = argparse.ArgumentParser(description="Censo de una máquina para mudarla. Sólo lee.")
    ap.add_argument("--host", help="usuario@host a censar por SSH")
    ap.add_argument("--key", help="clave SSH")
    ap.add_argument("--local", action="store_true", help="censar esta máquina")
    ap.add_argument("--out", help="fichero TOML de salida (default: stdout sólo el resumen)")
    ap.add_argument("--probe", action="store_true",
                    help="sondear los dominios por DNS+HTTP. Por defecto SÓLO con --host: hacerlo "
                         "contra uno mismo puede disparar el fail2ban de la propia máquina")
    ap.add_argument("--probe-dns", action="store_true",
                    help="sondear SÓLO el DNS (sin HTTP): no toca al origen, así que es seguro "
                         "contra uno mismo. Dice qué dominios son fósiles y cuáles apuntan acá")
    ap.add_argument("--no-probe", action="store_true", help="no sondear dominios")
    ap.add_argument("--data-root", action="append", default=[],
                    help="raíz de datos a medir (repetible). Default: las habituales")
    a = ap.parse_args()
    if not a.host and not a.local:
        ap.error("hace falta --host o --local")

    t = Objetivo(a.host, a.key)
    print("   censando… (no se ESCRIBE nada; las sondas de red sí dejan huella: ver --probe)",
          file=sys.stderr)

    ident = identidad(t)
    vivos = procesos_vivos(t)
    decl = declarados(t)
    svc, huerfanos = clasificar(vivos, decl)
    inv = invocaciones(t, vivos)
    for e in svc:
        i = inv.get(e['name'], {})
        e['cmdline'] = i.get('cmdline', '')
        e['cwd'] = i.get('cwd', '')
        e['exe_real'] = i.get('exe', '')
        if i.get('exe_borrado'):
            e['exec_borrado'] = True
            e['pid_vivo'] = i.get('pid', 0)
            e['bytes_vivo'] = i.get('bytes_vivo', '')
            e['bytes_disco'] = i.get('bytes_disco', '')
        if i.get('usuario'):
            e['usuario'] = i['usuario']
    # `/proc/<pid>/exe` MANDA sobre `argv[0]`: es el binario de verdad y no lo puede reescribir el
    # proceso. `argv[0]` queda de respaldo para cuando la sonda no tuvo permiso.
    def _exe_de(e):
        return e.get('exe_real') or (
            (e.get('cmdline') or '').split(' ')[0] if (e.get('cmdline') or '').startswith('/') else '')
    ejes = [x for x in (_exe_de(e) for e in svc) if x]
    dn = duenos(t, ejes)
    raiz = os.geteuid() == 0 if a.local else None
    for e in svc:
        exe = _exe_de(e)
        e['exec'] = exe
        e['paquete'] = dn.get(exe, '')
        if not exe and e.get('pids'):
            # Decir POR QUÉ no se sabe. «Averigualo a mano» y «volvé a correr el censo con sudo» son
            # dos trabajos muy distintos, y confundirlos manda a alguien a investigar un permiso.
            e['exec_motivo'] = ("el censo no corrió como root: `/proc/<pid>/exe` de un proceso de "
                                "otro usuario no se puede leer. Repetilo con sudo"
                                if raiz is False else
                                "el proceso reescribió su argv[0] y no se pudo leer /proc/<pid>/exe")
    pts = puertos(t)
    nombres = dominios(t)
    cont = contenido_web(t)
    sitios = sitios_web(t)
    sondear = (a.probe or a.probe_dns or bool(a.host)) and not a.no_probe
    http_ok = not a.probe_dns
    if nombres and not sondear:
        print(f"   ⚠ {len(nombres)} dominio(s) declarados, SIN sondear: censando en local, y pedirle",
              file=sys.stderr)
        print("     a la máquina sus propios dominios puede disparar su fail2ban y dejarla",
              file=sys.stderr)
        print("     incomunicada (pasó). Sondealos desde otra máquina, o forzá con --probe.",
              file=sys.stderr)
        doms = [{"domain": d, "dns": "", "http": "", "class": "sin-sondear"} for d in nombres]
    else:
        doms = []
        for i, d in enumerate(nombres):
            if i and http_ok:
                time.sleep(0.5)   # no parecer un escaneo ante el propio fail2ban del objetivo
            doms.append(sondear_dominio(d, set(ident["ips"]), http_ok))
    raices = a.data_root or ["/var/www", "/var/lib", "/srv", "/opt", "/home", "/store"]
    dat = datos(t, raices)
    censo = {
        "fecha": time.strftime("%Y-%m-%dT%H:%M:%SZ", time.gmtime()),
        "identidad": ident, "servicios": svc, "huerfanos": huerfanos, "puertos": pts,
        "dominios": doms, "datos": dat, "contenido": cont, "sitios": sitios, "montajes": montajes(t),
        "fuera_de_git": fuera_de_git(t),
    }
    resumen(censo)
    if a.out:
        with open(a.out, "w") as f:
            f.write(emitir_toml(censo))
        print(f"   censo → {a.out}   (decidí `decision` en cada entrada y pasalo a la etapa 2)")


if __name__ == "__main__":
    main()