refactor(ops): массовая заливка — в общий конвейер вместо отдельных скриптов

Заливку Википедии и PMC я сделал отдельными скриптами мимо существующей
инфраструктуры: запуск руками через ssh, состояние в файле в /tmp, никакой
видимости. Результат предсказуем — за неделю обе умерли молча (обрыв базы на
20 008 статьях из 2 млн и таймаут сети на 85 тыс. из 100 тыс.), прогресс
потерялся, а узнали мы об этом через неделю. При том что рядом лежит готовый
механизм: parse_sources, прогоны со шкалой, журнал, кнопки, ретраи Celery.

Теперь это обычные типы источника — wikipedia_ru и pmc_bulk:

- заводятся и запускаются из админки, как OpenAlex или КиберЛенинка;
- показывают ту же шкалу, журнал и кнопку остановки;
- падение воркера больше не теряет прогресс: позиция продолжения хранится в
  parse_sources.resume_token (номер статьи в дампе / токен страницы бакета),
  повторный запуск берёт следующую порцию;
- укладываются в бюджет времени таска — заливка идёт порциями, а не одним
  многосуточным процессом.

Чего не хватало конвейеру для миллионов и что добавлено:
- парсеры отдают генератор, а не список: 2 млн статей в память не влезают;
- app/bulk_writer.py — запись пачками через COPY (21 тыс. строк/с против
  6.7 тыс. построчно) с переподключением к базе при обрыве;
- эмбеддинги при массовой заливке не диспатчатся: они на порядок медленнее и
  стали бы узким местом, вектора досчитываются отдельно (reembed_missing.py).

scripts/ops/bulk_ingest_*.py удалены — их работу делает конвейер.

Проверено на проде: оба парсера отдают документы, прогон через run_parser
завершается штатно, позиция продолжения сдвигается (300 → 600), повторный
запуск продолжает с неё.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

services/worker-indexer/app/tasks/index.py

@@ -1,5 +1,6 @@
 """Celery задачи индексации документов и проверки плагиата (уровни 1-2)."""
 
+import contextlib
 import io
 from datetime import UTC, datetime
 from pathlib import Path
@@ -560,12 +561,180 @@ def _parser_for(source_type: str, cfg: dict[str, Any]) -> tuple[Any, dict[str, A
             "year_from": cfg.get("year_from"),
             "year_to": cfg.get("year_to"),
         }
+    elif source_type == "wikipedia_ru":
+        # Массовый источник: дамп читается с позиции прошлого прогона
+        from wikipedia_ru import WikipediaRuParser as P
+        kwargs = {
+            "limit": limit,
+            "dump_path": query or None,     # query = путь к дампу, если задан
+            "skip": int(cfg.get("resume_token") or 0),
+        }
+    elif source_type == "pmc_bulk":
+        from pmc_bulk import PMCBulkParser as P
+        kwargs = {"limit": limit, "resume_token": cfg.get("resume_token")}
     else:
         raise ValueError(f"неизвестный тип источника: {source_type}")
 
     return P(), kwargs
 
 
+def _ingest_one_by_one(parser: Any, raw_docs: Any, prog: Any, run_id: int) -> tuple[bool, bool]:
+    """Обычный путь: документ за документом через add_document.
+
+    Подходит источникам, отдающим сотни статей: работает ORM-логика с
+    дедупликацией, индексацией в Elasticsearch и обогащением полным текстом.
+
+    Returns:
+        (отменён, исчерпан бюджет времени)
+    """
+    cancelled = exhausted = False
+
+    prog.stage = "index"
+    prog.count_fetched(len(raw_docs))
+    prog.log("info", f"получено {len(raw_docs)} документов, индексация")
+    _write_run(run_id, **prog.snapshot())
+
+    # Эмбеддинги диспатчим пачками, а не по одному документу: так worker-gpu
+    # кодирует батч разом и переписывает FAISS-индекс на диск раз в N добавлений,
+    # а не на каждый документ.
+    embed_batch: list[int] = []
+    batch_size = settings.EMBED_BATCH_SIZE
+
+    def _flush_embed() -> None:
+        if embed_batch:
+            celery_app.send_task(
+                "gpu.embed_documents", args=[list(embed_batch)], queue="queue.gpu"
+            )
+            embed_batch.clear()
+
+    for raw in raw_docs:
+        if not cancelled and prog.over_budget:
+            exhausted = True
+            prog.log("warning", f"бюджет времени {prog.budget_s:.0f}с исчерпан на индексации")
+        if cancelled or exhausted:
+            break
+        try:
+            doc = parser.transform(raw)
+            if not (doc and doc.get("title") and doc.get("ext_id")):
+                prog.count_result("skipped")
+                continue
+            result = add_document(doc, dispatch_embed=False)
+            prog.count_result(result.get("status", "error"))
+            if result.get("status") == "indexed":
+                embed_batch.append(result["doc_id"])
+                if len(embed_batch) >= batch_size:
+                    _flush_embed()
+        except Exception as e:
+            prog.count_result("error")
+            prog.log("warning", f"документ пропущен: {e}")
+            logger.warning(f"run_parser: ошибка документа: {e}")
+
+        if prog.should_flush():
+            cancelled = _write_run(run_id, **prog.snapshot())
+            prog.mark_flushed()
+            if cancelled:
+                prog.log("warning", "отмена по запросу из админки")
+
+    _flush_embed()
+    return cancelled, exhausted
+
+
+def _ingest_bulk(
+    parser: Any, raw_docs: Any, prog: Any, run_id: int, source_id: int
+) -> tuple[bool, bool]:
+    """Массовый путь: статьи приходят потоком и пишутся пачками через COPY.
+
+    Отличия от обычного пути и почему они нужны:
+    - парсер отдаёт генератор, поэтому счётчик «получено» растёт по ходу дела,
+      а не известен заранее;
+    - запись идёт пакетно (bulk_writer), иначе миллионы отпечатков занимают
+      недели вместо суток;
+    - позиция продолжения сохраняется в источнике, чтобы следующий прогон
+      начинал с места остановки, а не перечитывал дамп с начала.
+
+    Эмбеддинги здесь не диспатчатся: они считаются заметно медленнее заливки и
+    делали бы её узким местом. Векторы досчитываются отдельно —
+    `scripts/ops/reembed_missing.py`.
+
+    Returns:
+        (отменён, исчерпан бюджет времени)
+    """
+    from app.bulk_writer import connect, write_batch
+    from app.models import ParseSource
+
+    cancelled = exhausted = False
+    prog.stage = "index"
+    prog.log("info", "массовый источник: запись пачками")
+    _write_run(run_id, **prog.snapshot())
+
+    conn = connect()
+    batch: list[dict[str, Any]] = []
+    resume_token: str | None = None
+    batch_size = settings.BULK_WRITE_BATCH
+
+    def save_resume() -> None:
+        """Запомнить позицию в источнике — с неё продолжит следующий прогон."""
+        if resume_token is None:
+            return
+        with db_session() as session:
+            src = session.get(ParseSource, source_id)
+            if src:
+                src.resume_token = str(resume_token)
+                session.commit()
+
+    def flush() -> bool:
+        """Записать накопленное; True — попросили остановиться."""
+        nonlocal conn, batch
+        if not batch:
+            return False
+        conn, counts = write_batch(conn, batch, settings.MAX_FINGERPRINTS_PER_DOC)
+        for _ in range(counts["added"]):
+            prog.count_result("indexed")
+        for _ in range(counts["duplicates"]):
+            prog.count_result("duplicate")
+        batch = []
+        save_resume()
+        stop = _write_run(run_id, **prog.snapshot())
+        prog.mark_flushed()
+        return stop
+
+    try:
+        for raw in raw_docs:
+            if prog.over_budget:
+                exhausted = True
+                prog.log("warning", f"бюджет времени {prog.budget_s:.0f}с исчерпан")
+                break
+            try:
+                doc = parser.transform(raw)
+            except Exception as e:
+                prog.count_result("error")
+                logger.warning(f"run_parser bulk: ошибка документа: {e}")
+                continue
+
+            if not (doc and doc.get("ext_id") and doc.get("text")):
+                prog.count_result("skipped")
+                continue
+
+            # Позиция продолжения: у Википедии — номер статьи в дампе,
+            # у PMC — токен страницы бакета
+            resume_token = doc.get("dump_position") or doc.get("resume_token") or resume_token
+            batch.append(doc)
+            prog.count_fetched(prog.fetched + 1)
+
+            if len(batch) >= batch_size and flush():
+                cancelled = True
+                prog.log("warning", "отмена по запросу из админки")
+                break
+
+        if not cancelled and flush():
+            cancelled = True
+    finally:
+        with contextlib.suppress(Exception):
+            conn.close()
+
+    return cancelled, exhausted
+
+
 def _write_run(run_id: int, **fields: Any) -> bool:
     """Записать прогресс прогона и вернуть True, если запрошена отмена.
 
@@ -622,6 +791,8 @@ def run_parser(self, source_id: int, run_id: int | None = None) -> dict[str, Any
             "year_from": src.year_from,
             "year_to": src.year_to,
             "limit": src.limit,
+            # Массовые источники продолжают с сохранённой позиции
+            "resume_token": src.resume_token,
         }
         src.last_status = "running"
         src.last_error = None
@@ -676,53 +847,13 @@ def run_parser(self, source_id: int, run_id: int | None = None) -> dict[str, Any
         # fetch+transform без записи в JSONL — работаем in-memory
         raw_docs = parser.fetch(**fetch_kwargs, progress_cb=on_fetch_progress)
 
-        prog.stage = "index"
-        prog.count_fetched(len(raw_docs))
-        prog.log("info", f"получено {len(raw_docs)} документов, индексация")
-        _write_run(run_id, **prog.snapshot())
-
-        # Эмбеддинги диспатчим пачками, а не по одному документу: так worker-gpu
-        # кодирует батч разом и переписывает FAISS-индекс на диск раз в N добавлений,
-        # а не на каждый документ.
-        embed_batch: list[int] = []
-        batch_size = settings.EMBED_BATCH_SIZE
-
-        def _flush_embed() -> None:
-            if embed_batch:
-                celery_app.send_task(
-                    "gpu.embed_documents", args=[list(embed_batch)], queue="queue.gpu"
-                )
-                embed_batch.clear()
-
-        for raw in raw_docs:
-            if not cancelled and prog.over_budget:
-                exhausted = True
-                prog.log("warning", f"бюджет времени {prog.budget_s:.0f}с исчерпан на индексации")
-            if cancelled or exhausted:
-                break
-            try:
-                doc = parser.transform(raw)
-                if not (doc and doc.get("title") and doc.get("ext_id")):
-                    prog.count_result("skipped")
-                    continue
-                result = add_document(doc, dispatch_embed=False)
-                prog.count_result(result.get("status", "error"))
-                if result.get("status") == "indexed":
-                    embed_batch.append(result["doc_id"])
-                    if len(embed_batch) >= batch_size:
-                        _flush_embed()
-            except Exception as e:
-                prog.count_result("error")
-                prog.log("warning", f"документ пропущен: {e}")
-                logger.warning(f"run_parser: ошибка документа: {e}")
-
-            if prog.should_flush():
-                cancelled = _write_run(run_id, **prog.snapshot())
-                prog.mark_flushed()
-                if cancelled:
-                    prog.log("warning", "отмена по запросу из админки")
-
-        _flush_embed()
+        if getattr(parser, "bulk", False):
+            # Массовые источники (дамп Википедии, бакет PMC) отдают генератор:
+            # миллионы статей нельзя ни держать в памяти, ни писать по одной
+            # через ORM — для них отдельный путь с пакетной записью
+            cancelled, exhausted = _ingest_bulk(parser, raw_docs, prog, run_id, source_id)
+        else:
+            cancelled, exhausted = _ingest_one_by_one(parser, raw_docs, prog, run_id)
     except Exception as e:
         error_msg = str(e)[:500]
         prog.log("error", f"прогон упал: {error_msg}")