# Integrity Scanner — Hauptkonfiguration
# Alle Werte sind optional; fehlende werden aus den Defaults übernommen.

target: "https://bredelar.info"
user_agent: "integrity-scanner/1.0 (+security-monitoring)"
request_timeout: 20

data_dir: "data"
reports_dir: "reports"
logs_dir: "logs"
config_dir: "config"

crawl:
  max_pages: 200
  delay_seconds: 1.0
  respect_robots_txt: false
  skip_extensions:
    - ".jpg"
    - ".jpeg"
    - ".png"
    - ".gif"
    - ".webp"
    - ".svg"
    - ".ico"
    - ".pdf"
    - ".zip"
    - ".woff"
    - ".woff2"
    - ".ttf"
    - ".otf"
    - ".eot"
    - ".mp4"
    - ".mp3"
    - ".webm"
    - ".avi"
    - ".mov"

scoring:
  new_external_domain: 50
  new_internal_url: 30
  missing_internal_url: 20
  hidden_content: 40
  unexpected_canonical: 35
  meta_refresh: 40
  unexpected_jsonld: 35
  large_text_addition: 20
  new_inline_script_suspicious: 30
  comment_links: 25
  new_broken_link: 20          # neue 4xx/5xx-Seite, die in Baseline nicht vorhanden war
  suspicious_filename: 60      # Link auf Webshell-/Backdoor-typischen Dateinamen
  cloaking_extra_link: 60      # Link nur im Bot-Crawl sichtbar
  cloaking_extra_text: 40      # signifikant mehr Text im Bot-Crawl (>100 Zeichen)
  cloaking_vary_ua: 25         # Vary: User-Agent Header (ohne sonstigen Unterschied)
  changed_script: 40           # JavaScript-Datei inhaltlich geändert
  changed_stylesheet: 30       # CSS-Datei inhaltlich geändert
  changed_asset: 20            # Bild / PDF / sonstige Binärdatei geändert

thresholds:
  yellow: 20   # ab diesem Score: Warnung (gelb)
  red: 60      # ab diesem Score: Alarm (rot)
  large_text_block_chars: 200  # Textblock ab dieser Länge wird als „groß" gewertet

# Wöchentliche Zusatzprüfungen laufen automatisch beim täglichen `scan` mit.
# So genügt EIN Cron-Job für alles — kein separater Aufruf nötig.
periodic_checks:
  enabled: true        # Zusatzprüfungen automatisch mitlaufen lassen
  interval_days: 7     # wie oft (in Tagen) die Zusatzprüfungen fällig werden
  cloak_check: true    # Tarnungs-Prüfung (sieht Google einen anderen Inhalt?)
  ext_links: true      # externe Links auf Erreichbarkeit prüfen
  assets: true         # Bilder/Skripte/Stylesheets auf Veränderung prüfen

alerting:
  min_level: "yellow"   # "yellow" oder "red"
  email:
    enabled: false
    smtp_host: "localhost"
    smtp_port: 587
    smtp_tls: true
    smtp_user: ""
    smtp_password_env: "SCANNER_SMTP_PASSWORD"   # Passwort aus Umgebungsvariable
    from: "scanner@bredelar.info"
    to:
      - "admin@bredelar.info"
  webhook:
    enabled: false
    url: ""   # z.B. Telegram-Bot-Webhook, Slack-Incoming-Webhook

normalization:
  strip_html_comments: true
  collapse_whitespace: true
  # Selektoren, die vor dem Diff ignoriert werden (z.B. Datums-/Cache-Elemente)
  ignore_selectors:
    # - "#last-modified"
    # - ".timestamp"
  # Regex-Muster im Text, die vor dem Diff entfernt werden
  ignore_patterns:
    # - '\d{1,2}\.\d{1,2}\.\d{4}'   # Datumsangaben
    # - 'Stand:\s+\S+'

# Erlaubte @type-Werte in JSON-LD (alles andere löst Alarm aus)
allowed_jsonld_types:
  - "Organization"
  - "WebSite"
  - "WebPage"
  - "Article"
  - "BreadcrumbList"
  - "ItemList"
  - "LocalBusiness"
  - "Place"
  - "Person"
  - "Event"
  - "FAQPage"
  - "Question"
  - "Answer"
  - "ImageObject"
  - "SiteLinksSearchBox"
  - "ContactPage"
  - "AboutPage"

# Security-Header, die auf jeder Seite erwartet werden
security_headers:
  - "Content-Security-Policy"
  - "Strict-Transport-Security"
  - "X-Content-Type-Options"
  - "Referrer-Policy"