docs: add example.com template for new target websites

Heavily commented config.yaml and config/ directory serve as a
copy-paste starting point for any new site to monitor.

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

example.com/config.yaml

@@ -0,0 +1,165 @@
+# ============================================================
+# Integrity Scanner — Konfigurationsvorlage
+# ============================================================
+# Verwendung:
+#   1. Dieses Verzeichnis kopieren:
+#        cp -r example.com meine-seite.de
+#   2. In meine-seite.de/config.yaml alle Stellen mit
+#      "example.com" durch die echte Domain ersetzen.
+#   3. Verzeichnis in .gitignore eintragen (data/reports/logs).
+#   4. Erste Einrichtung:
+#        python -m scanner --config meine-seite.de/config.yaml init
+# ============================================================
+
+# --- Ziel-Website ---
+target: "https://example.com"
+
+# User-Agent, mit dem der Scanner sich bei der Website meldet.
+# Bitte nicht auf einen Browser-Agent ändern — der Scanner soll erkennbar sein.
+user_agent: "integrity-scanner/1.0 (+security-monitoring)"
+
+# Timeout in Sekunden pro HTTP-Anfrage
+request_timeout: 20
+
+# --- Verzeichnisse (müssen absolut angegeben werden) ---
+# Pfad zum Projektverzeichnis anpassen!
+data_dir:    "/home/dschlueter/Python_Programs/integrity_scanner_fuer_statische_Webseiten/example.com/data"
+reports_dir: "/home/dschlueter/Python_Programs/integrity_scanner_fuer_statische_Webseiten/example.com/reports"
+logs_dir:    "/home/dschlueter/Python_Programs/integrity_scanner_fuer_statische_Webseiten/example.com/logs"
+config_dir:  "/home/dschlueter/Python_Programs/integrity_scanner_fuer_statische_Webseiten/example.com/config"
+
+# --- Crawl-Einstellungen ---
+crawl:
+  # Maximale Anzahl Seiten pro Crawl (Schutz vor endlosen Websites)
+  max_pages: 200
+
+  # Wartezeit zwischen zwei Seitenanfragen in Sekunden (Server schonen)
+  delay_seconds: 1.0
+
+  respect_robots_txt: false
+
+  # Pfade, die vom Scan ausgeschlossen werden sollen.
+  # Nützlich für Bereiche mit gewollt häufig wechselnden Inhalten,
+  # z. B. RSS-Feeds, News-Archive, Nutzerprofile.
+  # Beispiel: ["/rss/", "/feed/", "/news/archiv/", "/user/"]
+  exclude_paths: []
+
+  # Dateiendungen, die nicht gecrawlt werden (Binärdateien)
+  skip_extensions:
+    - ".jpg"
+    - ".jpeg"
+    - ".png"
+    - ".gif"
+    - ".webp"
+    - ".svg"
+    - ".ico"
+    - ".pdf"
+    - ".zip"
+    - ".woff"
+    - ".woff2"
+    - ".ttf"
+    - ".otf"
+    - ".eot"
+    - ".mp4"
+    - ".mp3"
+    - ".webm"
+    - ".avi"
+    - ".mov"
+
+# --- Bewertungsgewichte ---
+# Jedes Ereignis erhöht den Score. Ab 20 = gelb, ab 60 = rot.
+# Die Werte können hier für diese Website angepasst werden.
+scoring:
+  new_external_domain: 50        # Neuer Verweis auf fremde Domain
+  new_internal_url: 30           # Neue interne Seite aufgetaucht
+  missing_internal_url: 20       # Bekannte Seite verschwunden
+  hidden_content: 40             # Unsichtbarer Text/Link (display:none)
+  unexpected_canonical: 35       # Canonical-Tag geändert
+  meta_refresh: 40               # Automatische Weiterleitung eingebaut
+  unexpected_jsonld: 35          # Unbekannter JSON-LD-Typ
+  large_text_addition: 20        # Großer neuer Textblock (>200 Zeichen)
+  new_inline_script_suspicious: 30  # Verdächtiges inline JavaScript
+  comment_links: 25              # Link in HTML-Kommentar versteckt
+  new_broken_link: 20            # Neuer kaputt interner Link
+  suspicious_filename: 60        # Webshell-typischer Dateiname verlinkt
+  cloaking_extra_link: 60        # Nur für Google-Bot sichtbarer Link
+  cloaking_extra_text: 40        # Nur für Google-Bot sichtbarer Text
+  cloaking_vary_ua: 25           # Server sendet verschiedene Inhalte je UA
+  changed_script: 40             # JavaScript-Datei verändert
+  changed_stylesheet: 30         # CSS-Datei verändert
+  changed_asset: 20              # Bild/PDF/sonstige Datei verändert
+
+thresholds:
+  yellow: 20    # Ab diesem Score: Warnung (gelb) — Bitte prüfen
+  red: 60       # Ab diesem Score: Alarm (rot) — Sofort prüfen
+  large_text_block_chars: 200
+
+# --- Wöchentliche Zusatzprüfungen ---
+# Laufen automatisch beim täglichen `scan` mit — kein separater Aufruf nötig.
+periodic_checks:
+  enabled: true
+  interval_days: 7
+  cloak_check: true    # Prüft ob Google andere Inhalte sieht als Besucher
+  ext_links: true      # Prüft ob externe Links noch erreichbar sind
+  assets: true         # Prüft ob CSS/JS/Bilder sich verändert haben
+
+# --- E-Mail-Benachrichtigung ---
+# Passwort NIEMALS hier eintragen — nur als Umgebungsvariable:
+#   export SCANNER_SMTP_PASSWORD="geheimesPasswort"
+alerting:
+  min_level: "yellow"   # "yellow" = bei Gelb und Rot mailen; "red" = nur bei Rot
+  email:
+    enabled: false      # Auf true setzen wenn SMTP konfiguriert
+    smtp_host: "mail.example.com"
+    smtp_port: 587
+    smtp_tls: true
+    smtp_user: "scanner@example.com"
+    smtp_password_env: "SCANNER_SMTP_PASSWORD"
+    from: "scanner@example.com"
+    to:
+      - "admin@example.com"
+  webhook:
+    enabled: false
+    url: ""   # z.B. Slack-Webhook oder Telegram-Bot-URL
+
+# --- Normalisierung ---
+# Elemente, die vor dem Vergleich aus dem HTML entfernt werden
+# (z. B. dynamische Datums-/Zeitanzeigen die sich täglich ändern).
+normalization:
+  strip_html_comments: true
+  collapse_whitespace: true
+  ignore_selectors:
+    # - "#last-modified"    # Element mit dieser ID ignorieren
+    # - ".timestamp"        # Alle Elemente mit dieser CSS-Klasse ignorieren
+  ignore_patterns:
+    # - '\d{1,2}\.\d{1,2}\.\d{4}'   # Datumsangaben im Text ignorieren
+    # - 'Stand:\s+\S+'
+
+# --- Erlaubte JSON-LD-Typen ---
+# Alles, was hier nicht steht und auf der Website auftaucht, löst Alarm aus.
+allowed_jsonld_types:
+  - "Organization"
+  - "WebSite"
+  - "WebPage"
+  - "Article"
+  - "BreadcrumbList"
+  - "ItemList"
+  - "LocalBusiness"
+  - "Place"
+  - "Person"
+  - "Event"
+  - "FAQPage"
+  - "Question"
+  - "Answer"
+  - "ImageObject"
+  - "SiteLinksSearchBox"
+  - "ContactPage"
+  - "AboutPage"
+
+# --- Erwartete Security-Header ---
+# Fehlen diese Header, erscheint ein Hinweis im Report (kein Score-Einfluss).
+security_headers:
+  - "Content-Security-Policy"
+  - "Strict-Transport-Security"
+  - "X-Content-Type-Options"
+  - "Referrer-Policy"

example.com/config/allowed_external.yaml

@@ -0,0 +1,11 @@
+# Erlaubte externe Domains für example.com
+#
+# Nach dem ersten `init`-Crawl alle legitimen externen Domains eintragen,
+# die auf der Website verlinkt sind (z.B. CDNs, Social-Media, Partner).
+# Jede Domain, die hier NICHT steht, löst beim nächsten Scan Alarm aus.
+#
+# Beispiele:
+# - fonts.googleapis.com
+# - cdn.jsdelivr.net
+# - www.youtube.com
+# - maps.googleapis.com

example.com/config/ignore_rules.yaml

@@ -0,0 +1,20 @@
+# Ignorierregeln für example.com
+#
+# ignore_selectors: CSS-Selektoren — passende HTML-Elemente werden vor dem
+#   Vergleich entfernt. Nützlich für dynamische Bereiche (Datum, Uhrzeit,
+#   Zähler, zufällige Werbebanner).
+#
+# ignore_patterns: Reguläre Ausdrücke — passende Textstellen werden durch
+#   [IGNORED] ersetzt. Nützlich für Datumsangaben oder sich ändernde Zahlen.
+#
+# Diese Regeln ergänzen die Einstellungen in config.yaml (normalization).
+
+ignore_selectors:
+  # - "#dynamic-counter"
+  # - ".last-updated"
+  # - ".ad-banner"
+
+ignore_patterns:
+  # - '\d{1,2}\.\d{1,2}\.\d{4}'       # Datumsangaben TT.MM.JJJJ
+  # - '\d{1,2}:\d{2}\s*(Uhr)?'        # Zeitangaben
+  # - 'zuletzt geändert am \S+'