takana/scripts/busybox-censo-proveedores.py

#!/usr/bin/env python3
"""Censo MEDIDO de quién provee cada applet de busybox, contra los artefactos del store.

Por qué existe. `docs/state/busybox-applets.tsv` asignaba un `destino` (el paquete que debería
reemplazar cada applet) por JUICIO — el propio `docs/plan-botar-busybox.md` lo dice: «el reparto
applet→destino es juicio, no medida». Al medirlo contra los artefactos sellados resultó que
**31 applets los provee otro paquete** y **79 no los provee NADIE salvo busybox**, entre ellos seis
—`xz unxz xzcat lzma unlzma lzcat`— cuyo dueño figura en seis perfiles con el `usr/bin` VACÍO.

Cómo mide. Índice inverso de `<store>/<hash>-<nombre>/{bin,sbin,usr/bin,usr/sbin,libexec}`: un
paquete «provee» un applet si instala un fichero o enlace con ESE nombre. Es equivalencia de NOMBRE,
no de banderas — un `nc` de socat cuenta como proveedor aunque su sintaxis difiera, y por eso la
columna `equivalencia` del TSV sigue haciendo falta.

⚠ Los rootfs ENSAMBLADOS (`product-rootfs`, `stage1-rootfs`) se excluyen: traen adentro el propio
busybox con sus 277 symlinks, así que contarlos haría que todo applet se «proveyera» a sí mismo.
El criterio no es el nombre sino el contenido — un artefacto con `bin/busybox` adentro que no SEA
busybox es un rootfs.

Uso:  scripts/busybox-censo-proveedores.py [--store /store] [--escribir]
      --escribir  reescribe el TSV añadiendo las columnas `proveedor_medido` y `medido_el`.
"""
import argparse, csv, json, os, sys, collections, datetime

RAIZ = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
TSV = os.path.join(RAIZ, "docs/state/busybox-applets.tsv")
ESTADO = os.path.join(RAIZ, "docs/state/build-state.json")
SUBDIRS = ("bin", "sbin", "usr/bin", "usr/sbin", "usr/libexec", "libexec")


def indice(store):
    """nombre de binario -> {paquetes que lo instalan}, excluidos los rootfs ensamblados."""
    prov = collections.defaultdict(set)
    compuestos = []
    for ent in os.scandir(store):
        if not ent.is_dir():
            continue
        art = ent.name.split("-", 1)[1] if "-" in ent.name else ent.name
        if art != "busybox" and os.path.exists(os.path.join(ent.path, "bin/busybox")):
            compuestos.append(art)
            continue
        for sub in SUBDIRS:
            try:
                for f in os.scandir(os.path.join(ent.path, sub)):
                    prov[f.name].add(art)
            except OSError:
                pass
    return prov, sorted(compuestos)


def main():
    ap = argparse.ArgumentParser()
    ap.add_argument("--store", default="/store")
    ap.add_argument("--escribir", action="store_true")
    a = ap.parse_args()

    prov, compuestos = indice(a.store)
    print(f"índice: {len(prov)} nombres · rootfs excluidos: {', '.join(compuestos) or '(ninguno)'}")
    filas = list(csv.DictReader(open(TSV, encoding="utf-8"), delimiter="\t"))
    vivos = [r for r in filas if r["recorte_2026_09_21"] != "RETIRADO"]

    coincide, otro, solo = [], [], []
    for r in vivos:
        p = sorted(x for x in prov.get(r["applet"], ()) if x != "busybox")
        r["_medido"] = ",".join(p) if p else "SOLO-BUSYBOX"
        (coincide if r["destino"] in p else (otro if p else solo)).append(r)

    print(f"\n  el dueño del TSV lo provee : {len(coincide):>3}")
    print(f"  lo provee OTRO paquete     : {len(otro):>3}")
    print(f"  SÓLO lo provee busybox     : {len(solo):>3}   ← el trabajo que queda")

    est = json.load(open(ESTADO, encoding="utf-8"))["nodes"]
    print("\n--- SÓLO BUSYBOX, por dueño declarado ---")
    pord = collections.defaultdict(list)
    for r in solo:
        pord[r["destino"]].append(r["applet"])
    for d, aa in sorted(pord.items(), key=lambda x: -len(x[1])):
        n = est.get(d)
        pf = ("en " + ",".join(n["perfiles"])) if n and n["perfiles"] else ("sellado sin perfil" if n else "sin receta")
        print(f"  {d:16} {len(aa):>2}  [{pf}]  {' '.join(sorted(aa))}")

    print("\n--- lo provee OTRO paquete (el `destino` del TSV está mal) ---")
    for r in sorted(otro, key=lambda r: r["applet"]):
        print(f"  {r['applet']:14} TSV={r['destino']:16} REAL={r['_medido']}")

    if a.escribir:
        hoy = datetime.date.today().isoformat()
        campos = [c for c in filas[0] if not c.startswith("_")] + ["proveedor_medido", "medido_el"]
        for r in filas:
            r["proveedor_medido"] = r.pop("_medido", "") or ("n/a (retirado)" if r["recorte_2026_09_21"] == "RETIRADO" else "")
            r["medido_el"] = hoy if r["recorte_2026_09_21"] != "RETIRADO" else ""
        with open(TSV, "w", encoding="utf-8", newline="") as fh:
            w = csv.DictWriter(fh, fieldnames=campos, delimiter="\t", lineterminator="\n")
            w.writeheader()
            w.writerows(filas)
        print(f"\nTSV reescrito: {TSV} (+2 columnas)")
    return 0


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