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>

docs/ARCHITECTURE.md

@@ -78,7 +78,9 @@
 - **fingerprints** — `doc_id`, `hash_value` (BIGINT, Winnowing), `position` — для L1.
 - **usage_logs** — `user_id`, `action` — учёт лимитов по тарифу.
 - **parse_sources** — задания парсеров (админка): тип, query, годы, лимит, статус,
-  `last_run_id` — ссылка на последний прогон.
+  `last_run_id` — ссылка на последний прогон, `resume_token` — позиция
+  продолжения для массовых источников (номер статьи в дампе, токен страницы
+  бакета).
 - **parse_runs** — прогоны заливки: стадия, счётчики (`target/fetched/processed/
   added/duplicates/skipped/failed`), `cancel_requested`, `heartbeat_at`, журнал
   событий (JSON). Тайминги раздельные: `started_at` — постановка в очередь,
@@ -119,10 +121,20 @@
 `app.bibliography.build_bibliography` (сортировка кириллица→латиница, нумерация,
 формат 7.1/7.0.5) → результат.
 
-**Наполнение корпуса.** админка/CLI → `index.run_parser` (OpenAlex/arXiv/PMC/
+**Наполнение корпуса.** админка → `index.run_parser` — один конвейер для всех
-КиберЛенинка, фильтр `is_oa`) → `index.add_document` (дедуп по `ext_id`,
+источников, со шкалой, журналом и кнопкой остановки. Внутри два пути записи:
-fingerprints, MinHash, эмбеддинг) → `index.enrich_full_text` (скачать OA-PDF →
+
-MinIO → переиндексация). Ход заливки пишется в `parse_runs` (§12).
+- *обычные источники* (OpenAlex/arXiv/PMC/КиберЛенинка, фильтр `is_oa`) —
+  `index.add_document` на каждый документ: дедуп по `ext_id`, fingerprints,
+  MinHash, Elasticsearch, эмбеддинг, затем `index.enrich_full_text` (скачать
+  OA-PDF → MinIO → переиндексация);
+- *массовые источники* (`wikipedia_ru`, `pmc_bulk`) — парсер отдаёт генератор,
+  запись идёт пачками через `COPY` (`app/bulk_writer.py`), позиция продолжения
+  хранится в `parse_sources.resume_token`. Эмбеддинги там не считаются: они
+  медленнее заливки на порядок и стали бы её узким местом, вектора
+  досчитываются отдельно (§12).
+
+Ход заливки в обоих случаях пишется в `parse_runs` (§12).
 Второй путь наполнения — ручная загрузка файлов админом: api сохраняет их в
 MinIO (`corpus-upload/`) → `index.ingest_upload` (извлечь текст → `add_document`,
 `source=manual_upload`). Это не проверка на плагиат: файл сразу становится

docs/INGESTION.md

@@ -62,7 +62,7 @@
 
 | Источник | Объём | Годен для массовой заливки |
 |----------|-------|----------------------------|
-| **Википедия ru** | дамп 5.6 ГБ, ~2 млн статей | **да** — `bulk_ingest_wikipedia_ru.py`, потоком без блокировок, ~919 отпечатков на статью. Требует осмысленный User-Agent, иначе 403 |
+| **Википедия ru** | дамп 5.6 ГБ, ~2 млн статей | **да** — тип источника `wikipedia_ru`, ~919 отпечатков на статью. Дамп качается заранее (Wikimedia отдаёт 403 без осмысленного User-Agent и рвёт долгие потоковые соединения) |
 | КиберЛенинка | ~3 млн статей | нет — блокирует выкачку PDF после ~130 запросов |
 | OpenAlex `language:ru` + OA | заявлено 395 410 | практически нет — по прямым `pdf_url` скачалось 2 из 10 (остальное 403 издателей), а метка языка ненадёжна: в выдаче попадаются англоязычные журналы |
 | eLIBRARY.RU (РИНЦ) | ~40 млн | только по договору, публичной выгрузки нет |
@@ -72,19 +72,36 @@
 Википедия формально не научный источник, но студенты копируют из неё чаще всего,
 а по объёму связного русского текста ей нет альтернативы среди доступного.
 
-### Массовая заливка: bulk вместо API
+### Массовые источники — тот же конвейер, что и обычные
 
 Постраничные API дают 1-2 статьи в секунду и упираются в rate limit — миллионы
-так не залить. Для объёма есть `scripts/ops/bulk_ingest_pmc.py`: открытый бакет
+так не залить. Для объёма есть два типа источника, которые читают дамп или
-`pmc-oa-opendata` (ключ не нужен) отдаёт у каждой статьи готовый извлечённый
+бакет потоком:
-текст. Проверено 31.08: 100 статей, 183 090 отпечатков — 1831 на статью, то есть
+
-настоящая глубина, а не аннотация.
+| Тип | Откуда | Особенность |
+|-----|--------|-------------|
+| `wikipedia_ru` | локальный дамп `scripts/parsers/ruwiki.xml.bz2` | позиция продолжения — номер статьи в дампе |
+| `pmc_bulk` | бакет `pmc-oa-opendata` (открыт, ключ не нужен) | позиция — токен страницы бакета; у каждой статьи готовый извлечённый текст |
+
+Заводятся и запускаются они как любой другой источник — через админку, и точно
+так же показывают шкалу, журнал и кнопку остановки. Отличия внутри:
+
+- парсер отдаёт **генератор**, а не список: миллионы статей в память не влезут;
+- запись идёт пачками через `COPY` (`worker-indexer/app/bulk_writer.py`) —
+  построчная вставка даёт 6.7 тыс. строк/с против 21 тыс. у COPY, а миллион
+  статей это ~2 млрд отпечатков;
+- **эмбеддинги при заливке не считаются**: они медленнее заливки и сделали бы её
+  узким местом. L1 и L2 работают сразу, векторы досчитываются потом
+  (`scripts/ops/reembed_missing.py`);
+- позиция продолжения хранится в `parse_sources.resume_token`, поэтому источник
+  запускается повторно до исчерпания — каждый прогон берёт следующую порцию и
+  укладывается в бюджет времени таска.
+
+Планировать объём: 1 млн статей ≈ 2 млрд отпечатков ≈ 200 ГБ в базе с индексами.
+При таком росте индексы перестают помещаться в память сервера БД — проверено на
+практике: поиск L1 деградировал с 31 мс до 484 мс, пока не увеличили RAM и
+`shared_buffers` (см. DR-HA.md).
 
-Ограничение по темпу: 0.3 статьи/с, миллион в один поток — около 40 суток.
-Скачивание тут не узкое место (12 статей/с в 12 потоков), упирается в
-последовательную обработку документа; для миллионов её надо распараллелить по
-ядрам воркера. Планировать объём: 1 млн статей ≈ 2.5 млрд отпечатков ≈ 400 ГБ
-в базе с индексами (сейчас 113 млн строк занимают 12 ГБ).
 ## Что подготовлено
 
 - **Парсер CyberLeninka починен** (`scripts/parsers/cyberleninka.py`): раньше слал GET

scripts/ops/bulk_ingest_pmc.py

@@ -1,247 +0,0 @@
-#!/usr/bin/env python3
-"""Массовая заливка полнотекстовых статей из открытого бакета PMC (миллионы).
-
-Почему отдельный путь, а не парсеры и Celery: постраничный API даёт ~1-2 статьи
-в секунду и упирается в rate limit — миллионы так не залить. У AWS Open Data
-бакета `pmc-oa-opendata` (открыт, ключ не нужен) для каждой статьи лежит уже
-извлечённый текст `PMC*.txt` (33-130 КБ) и метаданные `PMC*.json`. Замер:
-12 статей/с в 10 потоков, то есть миллион — примерно за сутки.
-
-Второе узкое место — запись отпечатков. Построчный INSERT даёт ~6.7 тыс. строк/с
-(миллион статей = 2.5 млрд строк = четверо суток только на вставку), поэтому
-здесь используется COPY: он на порядки быстрее и не гоняет данные через ORM.
-
-Масштаб для планирования: 1 млн статей ≈ 2.5 млрд отпечатков ≈ 400 ГБ в БД
-с индексами. Плотность отпечатков ограничена --fp-per-doc (по умолчанию 2000
-вместо 20 000 из настроек воркера) — иначе объём растёт быстрее пользы.
-
-Запуск (в контейнере worker-indexer, где есть psycopg2 и winnowing):
-    cd /home/user/anti-plagiarism
-    C="docker compose -f docker-compose.prod.yml exec -T worker-indexer python -"
-    $C --limit 200 < scripts/ops/bulk_ingest_pmc.py            # пробная порция
-    $C --limit 100000 --workers 20 < scripts/ops/bulk_ingest_pmc.py
-
-Идемпотентно: документы вставляются с ON CONFLICT DO NOTHING по ext_id, уже
-залитые пропускаются. Прогресс листинга сохраняется в --state-file, поэтому
-прерванная заливка продолжается с той же страницы бакета.
-
-Проверено на проде: 1831 отпечаток на статью — реальная глубина, а не аннотация.
-Темп ~2 статьи/с в один поток (0.3 ст/с из первого замера были получены, когда
-база одновременно считала эмбеддинги). Скачивание не узкое место (12 статей/с в
-12 потоков), упирается в последовательную обработку документа — для миллионов
-её нужно распараллелить по ядрам воркера.
-"""
-
-import argparse
-import contextlib
-import io
-import json
-import os
-import re
-import time
-from concurrent.futures import ThreadPoolExecutor
-from urllib.parse import quote
-
-BUCKET = "https://pmc-oa-opendata.s3.amazonaws.com"
-STATE_FILE = "/tmp/bulk_pmc_state.json"
-KEY_RE = re.compile(r"<Key>(PMC\d+\.\d+)/\1\.txt</Key>")
-TOKEN_RE = re.compile(r"<NextContinuationToken>([^<]+)</NextContinuationToken>")
-
-
-def list_articles(client, token: str | None, want: int) -> tuple[list[str], str | None]:
-    """Собрать id статей из листинга бакета, продолжая с сохранённой страницы."""
-    ids: list[str] = []
-    while len(ids) < want:
-        url = f"{BUCKET}/?list-type=2&max-keys=1000"
-        if token:
-            # В токене бывают + и / — без экранирования S3 отвечает 400
-            url += f"&continuation-token={quote(token, safe='')}"
-        resp = client.get(url)
-        resp.raise_for_status()
-        ids.extend(KEY_RE.findall(resp.text))
-        m = TOKEN_RE.search(resp.text)
-        token = m.group(1) if m else None
-        if token is None:
-            break
-    return ids[:want], token
-
-
-def fetch_one(client, art_id: str) -> dict | None:
-    """Текст статьи и её метаданные. None — если статья недоступна или пустая."""
-    try:
-        txt = client.get(f"{BUCKET}/{art_id}/{art_id}.txt")
-        if txt.status_code != 200 or len(txt.text) < 1500:
-            return None
-        meta_resp = client.get(f"{BUCKET}/{art_id}/{art_id}.json")
-        meta = meta_resp.json() if meta_resp.status_code == 200 else {}
-    except Exception:
-        return None
-
-    citation = meta.get("citation") or ""
-    year = None
-    m = re.search(r"\b(19|20)\d{2}\b", citation)
-    if m:
-        year = int(m.group(0))
-
-    return {
-        "ext_id": f"pmc:{meta.get('pmcid') or art_id.split('.')[0]}",
-        "title": (meta.get("title") or art_id)[:1000],
-        "doi": meta.get("doi"),
-        "year": year,
-        "journal": citation[:300] or None,
-        "text": txt.text,
-    }
-
-
-
-
-def write_batch(conn, connect, docs: list[dict], fp_limit: int) -> tuple:
-    """Записать пачку статей, пережив обрыв соединения с базой.
-
-    Прошлые прогоны умирали целиком от `server closed the connection`, теряя и
-    позицию в бакете. Здесь обрыв стоит переподключения и повтора.
-
-    Returns:
-        (соединение, добавлено, пропущено, отпечатков) — соединение может быть
-        новым, если пришлось переподключаться
-    """
-    import psycopg2
-    from app.algorithms.winnowing import sample_evenly, winnow_ordered
-
-    for attempt in range(1, 6):
-        try:
-            added = skipped = fp_count = 0
-            with conn.cursor() as cur:
-                # ON CONFLICT — повторный прогон не плодит дубли
-                cur.executemany(
-                    """INSERT INTO documents (ext_id, source, title, doi, year, lang, journal,
-                                              abstract, authors, indexed_at)
-                       VALUES (%s,%s,%s,%s,%s,%s,%s,%s,'[]'::json, now())
-                       ON CONFLICT (ext_id) DO NOTHING""",
-                    [(d["ext_id"], "pmc", d["title"], d["doi"], d["year"], "en",
-                      d["journal"], d["text"][:2000]) for d in docs],
-                )
-                cur.execute("SELECT id, ext_id FROM documents WHERE ext_id = ANY(%s)",
-                            ([d["ext_id"] for d in docs],))
-                id_by_ext = {e: i for i, e in cur.fetchall()}
-
-                # COPY вместо построчных INSERT — единственный способ писать
-                # миллиарды строк за разумное время
-                buf = io.StringIO()
-                for d in docs:
-                    doc_id = id_by_ext.get(d["ext_id"])
-                    if doc_id is None:
-                        continue
-                    cur.execute("SELECT 1 FROM fingerprints WHERE doc_id=%s LIMIT 1", (doc_id,))
-                    if cur.fetchone():
-                        skipped += 1
-                        continue
-                    # Равномерно по тексту, а не первые N: иначе хвост статьи
-                    # остаётся без отпечатков
-                    hashes = sample_evenly(winnow_ordered(d["text"]), fp_limit)
-                    for pos, h in enumerate(hashes):
-                        buf.write(f"{doc_id}\t{h}\t{pos}\n")
-                    fp_count += len(hashes)
-                    added += 1
-                buf.seek(0)
-                if added:
-                    cur.copy_from(buf, "fingerprints",
-                                  columns=("doc_id", "hash_value", "position"))
-            conn.commit()
-            return conn, added, skipped, fp_count
-
-        except psycopg2.OperationalError as e:
-            wait = min(60, 5 * attempt)
-            print(f"  база недоступна ({str(e).strip()[:60]}), повтор через {wait}с "
-                  f"[{attempt}/5]", flush=True)
-            time.sleep(wait)
-            with contextlib.suppress(Exception):
-                conn.close()
-            with contextlib.suppress(Exception):
-                conn = connect()
-
-    raise RuntimeError("не удалось записать пачку после 5 попыток")
-
-
-def main() -> None:
-    ap = argparse.ArgumentParser(description=__doc__,
-                                 formatter_class=argparse.RawDescriptionHelpFormatter)
-    ap.add_argument("--limit", type=int, default=200, help="сколько статей залить за прогон")
-    ap.add_argument("--workers", type=int, default=10, help="потоков закачки (вежливо: 10-30)")
-    ap.add_argument("--batch", type=int, default=200, help="статей в одной транзакции")
-    ap.add_argument("--fp-per-doc", type=int, default=2000, help="максимум отпечатков на документ")
-    ap.add_argument("--state-file", default=STATE_FILE, help="файл с позицией листинга")
-    args = ap.parse_args()
-
-    import httpx
-    import psycopg2
-    from app.config import settings
-
-    token = None
-    if os.path.exists(args.state_file):
-        with open(args.state_file) as fh:
-            token = json.load(fh).get("token")
-        print("продолжаю листинг с сохранённой позиции")
-
-    client = httpx.Client(timeout=60,
-                          headers={"User-Agent": "AcademicHelper/1.0 (noreply@jze9.ru)"})
-
-    def connect():
-        return psycopg2.connect(
-            host=settings.POSTGRES_HOST, port=settings.POSTGRES_PORT,
-            dbname=settings.POSTGRES_DB, user=settings.POSTGRES_USER,
-            password=settings.POSTGRES_PASSWORD,
-        )
-
-    conn = connect()
-    added = skipped = failed = fp_total = done = 0
-    t0 = time.time()
-
-    while done < args.limit:
-        want = min(args.batch, args.limit - done)
-        # Сеть у бакета иногда отваливается (прошлый прогон умер на таймауте
-        # SSL-рукопожатия) — это стоит паузы, а не всей заливки
-        try:
-            ids, token = list_articles(client, token, want)
-        except Exception as e:
-            print(f"  листинг не удался ({type(e).__name__}), пауза 30с", flush=True)
-            time.sleep(30)
-            continue
-
-        if not ids:
-            print("бакет закончился")
-            break
-        done += len(ids)
-
-        with ThreadPoolExecutor(max_workers=args.workers) as pool:
-            docs = [d for d in pool.map(lambda i: fetch_one(client, i), ids) if d]
-        failed += len(ids) - len(docs)
-        if not docs:
-            continue
-
-        conn, n_added, n_skipped, n_fp = write_batch(conn, connect, docs, args.fp_per_doc)
-        added += n_added
-        skipped += n_skipped
-        fp_total += n_fp
-
-        with open(args.state_file, "w") as fh:
-            json.dump({"token": token}, fh)
-
-        el = time.time() - t0
-        print(f"  {done}/{args.limit} · залито {added} · пропущено {skipped} · "
-              f"недоступно {failed} · отпечатков {fp_total:,} · {added / max(el, 1):.1f} ст/с",
-              flush=True)
-        if token is None:
-            break
-
-    conn.close()
-    el = time.time() - t0
-    print(f"\nГотово за {el / 60:.1f} мин: залито {added}, пропущено {skipped}, "
-          f"недоступно {failed}, отпечатков {fp_total:,}")
-    if added:
-        print(f"темп: {added / el:.1f} статей/с → "
-              f"миллион за ~{1e6 / max(added / el, 0.01) / 3600:.0f} ч")
-
-
-if __name__ == "__main__":
-    main()

scripts/ops/bulk_ingest_wikipedia_ru.py

@@ -1,269 +0,0 @@
-#!/usr/bin/env python3
-"""Массовая заливка русской Википедии в корпус сравнения.
-
-Зачем именно она: студенты копируют из Википедии чаще, чем из научных статей, а
-в корпусе её нет вовсе. При этом она единственный русскоязычный источник такого
-объёма, который отдаётся без блокировок — КиберЛенинка режет выкачку после ~130
-запросов, eLIBRARY требует договора. Дамп `ruwiki-latest-pages-articles.xml.bz2`
-(5.6 ГБ, ~2 млн статей) скачивается свободно.
-
-Дамп не сохраняется на диск: читается потоком и распаковывается на лету —
-на app-хосте всего 22 ГБ свободно.
-
-Что отбрасывается: перенаправления, служебные пространства имён (оставляем
-только статьи) и короткие тексты — для детекции нужен объём, а не заготовки.
-
-Запуск (в контейнере worker-indexer):
-    cd /home/user/anti-plagiarism
-    C="docker compose -f docker-compose.prod.yml exec -T worker-indexer python -"
-    $C --limit 100 < scripts/ops/bulk_ingest_wikipedia_ru.py       # проба
-    $C --limit 500000 < scripts/ops/bulk_ingest_wikipedia_ru.py    # объём
-
-Идемпотентно: ext_id вида `wikipedia_ru:<pageid>`, повторная заливка пропускает
-уже существующие статьи (ON CONFLICT DO NOTHING).
-"""
-
-import argparse
-import bz2
-import contextlib
-import io
-import json
-import os
-import re
-import time
-
-DUMP_URL = "https://dumps.wikimedia.org/ruwiki/latest/ruwiki-latest-pages-articles.xml.bz2"
-PAGE_RE = re.compile(r"<page>(.*?)</page>", re.DOTALL)
-TITLE_RE = re.compile(r"<title>(.*?)</title>", re.DOTALL)
-ID_RE = re.compile(r"<id>(\d+)</id>")
-NS_RE = re.compile(r"<ns>(\d+)</ns>")
-TEXT_RE = re.compile(r'<text[^>]*>(.*?)</text>', re.DOTALL)
-REDIRECT_RE = re.compile(r"<redirect ")
-
-# Разметку чистим регулярками: для отпечатков нужен связный текст, а не точное
-# восстановление вёрстки — полноценный парсер вики-разметки тут неоправдан
-CLEAN_RULES = [
-    (re.compile(r"\{\{[^{}]*\}\}"), " "),          # шаблоны (в несколько проходов)
-    (re.compile(r"\[\[[^\]|]*\|"), ""),             # [[ссылка|текст → текст
-    (re.compile(r"\[\[|\]\]"), ""),                 # остатки скобок
-    (re.compile(r"<ref[^>]*>.*?</ref>", re.DOTALL), " "),
-    (re.compile(r"<[^>]+>"), " "),                  # html-теги
-    (re.compile(r"^[*#:;|!].*$", re.MULTILINE), " "),  # списки и таблицы
-    (re.compile(r"^=+.*?=+$", re.MULTILINE), " "),     # == заголовки разделов ==
-    (re.compile(r"'{2,}"), ""),                     # ''курсив''
-    (re.compile(r"&[a-z]+;"), " "),
-    (re.compile(r"[ \t]+"), " "),
-    (re.compile(r"\n{2,}"), "\n"),
-]
-
-
-def clean_wikitext(raw: str) -> str:
-    text = raw
-    for _ in range(3):  # шаблоны бывают вложенными
-        text = CLEAN_RULES[0][0].sub(CLEAN_RULES[0][1], text)
-    for rx, repl in CLEAN_RULES[1:]:
-        text = rx.sub(repl, text)
-    return text.strip()
-
-
-def _pages_from_chunks(chunks, min_chars: int):
-    """Разобрать поток распакованного XML на статьи основного пространства имён."""
-    buf = ""
-    for raw in chunks:
-        buf += raw.decode("utf-8", errors="replace")
-
-        while True:
-            m = PAGE_RE.search(buf)
-            if not m:
-                break
-            page, buf = m.group(1), buf[m.end():]
-
-            if REDIRECT_RE.search(page):
-                continue
-            ns = NS_RE.search(page)
-            if not ns or ns.group(1) != "0":          # только статьи
-                continue
-            tm, im, xm = TITLE_RE.search(page), ID_RE.search(page), TEXT_RE.search(page)
-            if not (tm and im and xm):
-                continue
-            text = clean_wikitext(xm.group(1))
-            if len(text) < min_chars:
-                continue
-            yield im.group(1), tm.group(1), text
-
-        if len(buf) > 20 * 1024 * 1024:               # страховка от разбухания
-            buf = buf[-1024 * 1024:]
-
-
-def iter_pages(min_chars: int, dump_file: str | None):
-    """Статьи из локального дампа либо, если файла нет, прямо из сети.
-
-    Локальный файл предпочтителен: Wikimedia рвёт долгие потоковые соединения
-    (проверено — обрыв на 32 МБ из 5.9 ГБ), а скачать файл можно с докачкой
-    (`curl -C -`) и потом читать сколько угодно.
-    """
-    decomp = bz2.BZ2Decompressor()
-
-    if dump_file:
-        def chunks():
-            with open(dump_file, "rb") as fh:
-                while True:
-                    part = fh.read(4 * 1024 * 1024)
-                    if not part:
-                        return
-                    try:
-                        yield decomp.decompress(part)
-                    except EOFError:
-                        return
-        yield from _pages_from_chunks(chunks(), min_chars)
-        return
-
-    import httpx
-
-    # Wikimedia отдаёт 403 без осмысленного User-Agent — по их правилам он должен
-    # называть приложение и давать контакт
-    headers = {"User-Agent": "AcademicHelper/1.0 (https://academic.jze9.ru; noreply@jze9.ru)"}
-
-    def net_chunks():
-        with httpx.stream("GET", DUMP_URL, timeout=120, follow_redirects=True,
-                          headers=headers) as resp:
-            resp.raise_for_status()
-            for chunk in resp.iter_bytes(4 * 1024 * 1024):
-                try:
-                    yield decomp.decompress(chunk)
-                except EOFError:
-                    return
-
-    yield from _pages_from_chunks(net_chunks(), min_chars)
-
-
-def main() -> None:
-    ap = argparse.ArgumentParser(description=__doc__,
-                                 formatter_class=argparse.RawDescriptionHelpFormatter)
-    ap.add_argument("--limit", type=int, default=100, help="сколько статей залить")
-    ap.add_argument("--batch", type=int, default=150, help="статей в транзакции")
-    ap.add_argument("--min-chars", type=int, default=2000, help="минимальная длина текста")
-    ap.add_argument("--fp-per-doc", type=int, default=2000, help="максимум отпечатков на статью")
-    ap.add_argument("--dump-file", default=None,
-                    help="путь к заранее скачанному дампу (надёжнее, чем читать из сети)")
-    ap.add_argument("--state-file", default="/tmp/bulk_wiki_state.json",
-                    help="файл с числом уже обработанных статей — для продолжения после сбоя")
-    args = ap.parse_args()
-
-    import psycopg2
-    from app.algorithms.winnowing import sample_evenly, winnow_ordered
-    from app.config import settings
-
-    def connect():
-        return psycopg2.connect(
-            host=settings.POSTGRES_HOST, port=settings.POSTGRES_PORT,
-            dbname=settings.POSTGRES_DB, user=settings.POSTGRES_USER,
-            password=settings.POSTGRES_PASSWORD,
-        )
-
-    conn = connect()
-    added = skipped = 0
-    fp_total = 0
-    seen = 0          # сколько статей прошло через парсер (позиция в дампе)
-    t0 = time.time()
-    batch: list[tuple[str, str, str]] = []
-
-    # Позиция в дампе: прошлый прогон обрывался на 20 008 статье и начинал всё
-    # сначала — дедуп по ext_id спасал от дублей, но время тратилось впустую
-    skip_until = 0
-    if os.path.exists(args.state_file):
-        with open(args.state_file) as fh:
-            skip_until = json.load(fh).get("processed", 0)
-        if skip_until:
-            print(f"продолжаю с {skip_until}-й статьи дампа")
-
-    def _flush_once(batch):
-        """Одна попытка записать пачку; счётчики трогает только при успехе."""
-        nonlocal added, skipped, fp_total
-        with conn.cursor() as cur:
-            cur.executemany(
-                """INSERT INTO documents (ext_id, source, title, lang, abstract, url,
-                                          authors, indexed_at)
-                   VALUES (%s, 'wikipedia_ru', %s, 'ru', %s, %s, '[]'::json, now())
-                   ON CONFLICT (ext_id) DO NOTHING""",
-                [(f"wikipedia_ru:{pid}", title[:1000], text[:2000],
-                  f"https://ru.wikipedia.org/?curid={pid}") for pid, title, text in batch],
-            )
-            cur.execute("SELECT id, ext_id FROM documents WHERE ext_id = ANY(%s)",
-                        ([f"wikipedia_ru:{pid}" for pid, _, _ in batch],))
-            id_by_ext = {e: i for i, e in cur.fetchall()}
-
-            buf = io.StringIO()
-            fresh = 0
-            for pid, _, text in batch:
-                doc_id = id_by_ext.get(f"wikipedia_ru:{pid}")
-                if doc_id is None:
-                    continue
-                cur.execute("SELECT 1 FROM fingerprints WHERE doc_id=%s LIMIT 1", (doc_id,))
-                if cur.fetchone():
-                    skipped += 1
-                    continue
-                # Равномерно по тексту, а не первые N: обрезка «с начала»
-                # оставляла бы хвост статьи без отпечатков
-                hashes = sample_evenly(winnow_ordered(text), args.fp_per_doc)
-                for pos, h in enumerate(hashes):
-                    buf.write(f"{doc_id}\t{h}\t{pos}\n")
-                fp_total += len(hashes)
-                fresh += 1
-            buf.seek(0)
-            if fresh:
-                cur.copy_from(buf, "fingerprints", columns=("doc_id", "hash_value", "position"))
-            added += fresh
-        conn.commit()
-
-    def flush(batch):
-        """Записать пачку, пережив обрыв соединения с базой.
-
-        Прошлый прогон умер целиком на `server closed the connection` — потеряв
-        и позицию в дампе. Здесь обрыв стоит переподключения и повтора.
-        """
-        nonlocal conn
-        if not batch:
-            return
-        for attempt in range(1, 6):
-            try:
-                _flush_once(batch)
-                return
-            except psycopg2.OperationalError as e:
-                wait = min(60, 5 * attempt)
-                print(f"  база недоступна ({str(e).strip()[:60]}), повтор через {wait}с "
-                      f"[{attempt}/5]", flush=True)
-                time.sleep(wait)
-                with contextlib.suppress(Exception):
-                    conn.close()
-                try:
-                    conn = connect()
-                except Exception:
-                    continue
-        raise RuntimeError("не удалось записать пачку после 5 попыток")
-
-    for pid, title, text in iter_pages(args.min_chars, args.dump_file):
-        seen += 1
-        if seen <= skip_until:          # быстро проматываем уже обработанное
-            continue
-        batch.append((pid, title, text))
-        if len(batch) >= args.batch:
-            flush(batch)
-            batch = []
-            with open(args.state_file, "w") as fh:
-                json.dump({"processed": seen}, fh)
-            el = time.time() - t0
-            print(f"  залито {added} · пропущено {skipped} · отпечатков {fp_total:,} · "
-                  f"{added / max(el, 1):.1f} ст/с", flush=True)
-            if added >= args.limit:
-                break
-    flush(batch)
-    conn.close()
-
-    el = time.time() - t0
-    print(f"\nГотово за {el / 60:.1f} мин: залито {added}, пропущено {skipped}, "
-          f"отпечатков {fp_total:,}")
-
-
-if __name__ == "__main__":
-    main()

scripts/parsers/pmc_bulk.py

@@ -0,0 +1,144 @@
+"""Парсер PubMed Central из открытого бакета AWS — массовый путь.
+
+Отличие от `pmc.py`: тот ходит в API E-utilities и годится для точечной
+докачки по теме (1-2 статьи в секунду, есть rate limit). Этот берёт статьи из
+бакета `pmc-oa-opendata`, где у каждой лежит **уже извлечённый текст**, и
+качает их пачками в несколько потоков — путь к сотням тысяч и миллионам.
+
+Ключ для доступа не нужен, бакет открыт. Замер: 12 статей/с в 10 потоков.
+
+Как и парсер Википедии, отдаёт статьи генератором: складывать миллионы
+документов в список нельзя (см. bulk_writer.py).
+"""
+
+import logging
+import re
+from collections.abc import Iterator
+from concurrent.futures import ThreadPoolExecutor
+from typing import Any
+from urllib.parse import quote
+
+import httpx
+from base import BaseParser, ProgressCallback
+
+logger = logging.getLogger(__name__)
+
+BUCKET = "https://pmc-oa-opendata.s3.amazonaws.com"
+KEY_RE = re.compile(r"<Key>(PMC\d+\.\d+)/\1\.txt</Key>")
+TOKEN_RE = re.compile(r"<NextContinuationToken>([^<]+)</NextContinuationToken>")
+YEAR_RE = re.compile(r"\b(19|20)\d{2}\b")
+MIN_CHARS = 1500        # меньше — обрывок, а не статья
+
+
+class PMCBulkParser(BaseParser):
+    """PMC Open Access из бакета AWS. Отдаёт статьи потоком."""
+
+    source_name = "pmc"     # тот же источник в корпусе, что и у API-парсера
+    bulk = True
+
+    def __init__(self, workers: int = 12) -> None:
+        super().__init__()
+        self.workers = workers
+        self.client = httpx.Client(
+            timeout=60,
+            headers={"User-Agent": "AcademicHelper/1.0 (noreply@jze9.ru)"},
+        )
+        # Позиция листинга: бакет отдаётся страницами, и продолжать прогон
+        # нужно с той же страницы, а не с начала
+        self.last_token: str | None = None
+
+    def fetch(  # type: ignore[override]
+        self,
+        limit: int = 1000,
+        resume_token: str | None = None,
+        progress_cb: ProgressCallback | None = None,
+        **_ignored: Any,
+    ) -> Iterator[dict[str, Any]]:
+        """Статьи из бакета: листинг страницами, скачивание в потоках.
+
+        Args:
+            limit: сколько статей отдать
+            resume_token: продолжить листинг с сохранённой страницы бакета
+            progress_cb: см. base.ProgressCallback
+        """
+        token = resume_token
+        given = 0
+
+        while given < limit:
+            try:
+                ids, token = self._list_page(token, want=min(200, limit - given))
+            except Exception as e:
+                logger.error("PMC bulk: листинг не удался: %s", e)
+                return
+            if not ids:
+                logger.info("PMC bulk: бакет закончился")
+                return
+
+            with ThreadPoolExecutor(max_workers=self.workers) as pool:
+                for raw in pool.map(self._fetch_article, ids):
+                    if raw is None:
+                        continue
+                    given += 1
+                    raw["resume_token"] = token
+                    yield raw
+                    if given >= limit:
+                        break
+
+            self.last_token = token
+            if progress_cb and not progress_cb(given):
+                logger.info("PMC bulk: выборка остановлена по запросу (%d)", given)
+                return
+            if token is None:
+                return
+
+    def _list_page(self, token: str | None, want: int) -> tuple[list[str], str | None]:
+        """Одна страница листинга бакета: id статей и токен следующей страницы."""
+        url = f"{BUCKET}/?list-type=2&max-keys=1000"
+        if token:
+            # В токене бывают + и / — без экранирования S3 отвечает 400
+            url += f"&continuation-token={quote(token, safe='')}"
+        resp = self.client.get(url)
+        resp.raise_for_status()
+        ids = KEY_RE.findall(resp.text)[:want]
+        m = TOKEN_RE.search(resp.text)
+        return ids, (m.group(1) if m else None)
+
+    def _fetch_article(self, art_id: str) -> dict[str, Any] | None:
+        """Текст статьи и метаданные; None — статья недоступна или пустая."""
+        try:
+            txt = self.client.get(f"{BUCKET}/{art_id}/{art_id}.txt")
+            if txt.status_code != 200 or len(txt.text) < MIN_CHARS:
+                return None
+            meta_resp = self.client.get(f"{BUCKET}/{art_id}/{art_id}.json")
+            meta = meta_resp.json() if meta_resp.status_code == 200 else {}
+        except Exception:
+            return None
+
+        return {"art_id": art_id, "meta": meta, "text": txt.text}
+
+    def transform(self, raw: dict[str, Any]) -> dict[str, Any]:
+        """Привести статью к унифицированному формату документов корпуса."""
+        meta = raw.get("meta") or {}
+        art_id = raw.get("art_id", "")
+        pmcid = meta.get("pmcid") or art_id.split(".")[0]
+        if not pmcid:
+            return {}
+
+        citation = meta.get("citation") or ""
+        year_match = YEAR_RE.search(citation)
+        text = raw.get("text", "")
+
+        return {
+            "source": self.source_name,
+            "ext_id": f"pmc:{pmcid}",
+            "title": (meta.get("title") or pmcid)[:1000],
+            "authors": [],
+            "doi": meta.get("doi"),
+            "year": int(year_match.group(0)) if year_match else None,
+            "lang": "en",
+            "journal": citation[:300] or None,
+            "url": f"https://www.ncbi.nlm.nih.gov/pmc/articles/{pmcid}/",
+            "abstract": text[:2000],
+            "text": text,
+            "resume_token": raw.get("resume_token"),
+        }

scripts/parsers/wikipedia_ru.py

@@ -0,0 +1,179 @@
+"""Парсер русской Википедии из дампа Wikimedia.
+
+Зачем в корпусе: студенты копируют из Википедии чаще, чем из научных статей, а
+по объёму связного русского текста ей нет альтернативы среди доступного —
+КиберЛенинка блокирует выкачку, eLIBRARY требует договора.
+
+Отличие от остальных парсеров: `fetch` возвращает **генератор**, а не список.
+Дамп — 5.6 ГБ и около 2 млн статей, держать их в памяти нельзя, поэтому
+`run_parser` читает результат лениво и пишет пачками (см. bulk_writer.py).
+
+Дамп качается заранее и кладётся туда, где его видит воркер:
+    curl -L -C - --retry 100 -A "AcademicHelper/1.0 (noreply@jze9.ru)" \\
+      -o scripts/parsers/ruwiki.xml.bz2 \\
+      https://dumps.wikimedia.org/ruwiki/latest/ruwiki-latest-pages-articles.xml.bz2
+
+Читать дамп прямо из сети не выйдет: Wikimedia обрывает долгие соединения
+(проверено — обрыв на 32 МБ из 5.9 ГБ), да и продолжить с места разрыва
+распакованный поток bz2 нельзя.
+"""
+
+import bz2
+import logging
+import os
+import re
+from collections.abc import Iterator
+from typing import Any
+
+from base import BaseParser, ProgressCallback
+
+logger = logging.getLogger(__name__)
+
+DEFAULT_DUMP = "/parsers/ruwiki.xml.bz2"
+
+PAGE_RE = re.compile(r"<page>(.*?)</page>", re.DOTALL)
+TITLE_RE = re.compile(r"<title>(.*?)</title>", re.DOTALL)
+ID_RE = re.compile(r"<id>(\d+)</id>")
+NS_RE = re.compile(r"<ns>(\d+)</ns>")
+TEXT_RE = re.compile(r"<text[^>]*>(.*?)</text>", re.DOTALL)
+REDIRECT_RE = re.compile(r"<redirect ")
+
+# Разметку чистим регулярками: для отпечатков нужен связный текст, а не точное
+# восстановление вёрстки — полноценный парсер вики-разметки тут неоправдан
+TEMPLATE_RE = re.compile(r"\{\{[^{}]*\}\}")
+CLEAN_RULES = [
+    (re.compile(r"\[\[[^\]|]*\|"), ""),                  # [[ссылка|текст → текст
+    (re.compile(r"\[\[|\]\]"), ""),
+    (re.compile(r"<ref[^>]*>.*?</ref>", re.DOTALL), " "),
+    (re.compile(r"<[^>]+>"), " "),
+    (re.compile(r"^[*#:;|!].*$", re.MULTILINE), " "),    # списки и таблицы
+    (re.compile(r"^=+.*?=+$", re.MULTILINE), " "),       # == заголовки разделов ==
+    (re.compile(r"'{2,}"), ""),
+    (re.compile(r"&[a-z]+;"), " "),
+    (re.compile(r"[ \t]+"), " "),
+    (re.compile(r"\n{2,}"), "\n"),
+]
+
+
+def clean_wikitext(raw: str) -> str:
+    """Убрать вики-разметку, оставив читаемый текст статьи."""
+    text = raw
+    for _ in range(3):          # шаблоны бывают вложенными
+        text = TEMPLATE_RE.sub(" ", text)
+    for rx, repl in CLEAN_RULES:
+        text = rx.sub(repl, text)
+    return text.strip()
+
+
+class WikipediaRuParser(BaseParser):
+    """Русская Википедия из локального дампа. Отдаёт статьи потоком."""
+
+    source_name = "wikipedia_ru"
+    # Признак для run_parser: результат читается лениво и пишется пачками,
+    # а не собирается в список и не идёт через add_document по одному
+    bulk = True
+
+    def fetch(  # type: ignore[override]
+        self,
+        limit: int = 1000,
+        min_chars: int = 2000,
+        dump_path: str | None = None,
+        skip: int = 0,
+        progress_cb: ProgressCallback | None = None,
+        **_ignored: Any,
+    ) -> Iterator[dict[str, Any]]:
+        """Статьи основного пространства имён из дампа.
+
+        Args:
+            limit: сколько статей отдать
+            min_chars: минимальная длина текста — заготовки в корпусе бесполезны
+            dump_path: путь к дампу (по умолчанию /parsers/ruwiki.xml.bz2)
+            skip: сколько статей пропустить — так прогон продолжается с места
+                обрыва, не перечитывая уже залитое
+            progress_cb: см. base.ProgressCallback
+        """
+        path = dump_path or os.environ.get("WIKIPEDIA_DUMP_PATH") or DEFAULT_DUMP
+        if not os.path.exists(path):
+            raise FileNotFoundError(
+                f"дамп Википедии не найден: {path} — скачайте его (см. модуль) "
+                f"или укажите WIKIPEDIA_DUMP_PATH"
+            )
+
+        decomp = bz2.BZ2Decompressor()
+        buf = ""
+        seen = 0        # статей прошло через парсер — позиция в дампе
+        given = 0       # статей отдано наружу
+
+        with open(path, "rb") as fh:
+            while given < limit:
+                part = fh.read(4 * 1024 * 1024)
+                if not part:
+                    break
+                try:
+                    raw = decomp.decompress(part)
+                except EOFError:
+                    break
+                if not raw:
+                    continue
+                buf += raw.decode("utf-8", errors="replace")
+
+                while given < limit:
+                    m = PAGE_RE.search(buf)
+                    if not m:
+                        break
+                    page, buf = m.group(1), buf[m.end():]
+
+                    doc = self._page_to_doc(page, min_chars)
+                    if doc is None:
+                        continue
+
+                    seen += 1
+                    if seen <= skip:        # быстро проматываем уже обработанное
+                        continue
+
+                    given += 1
+                    doc["dump_position"] = seen
+                    yield doc
+
+                    if progress_cb and not progress_cb(given):
+                        logger.info("Википедия: выборка остановлена по запросу (%d)", given)
+                        return
+
+                if len(buf) > 20 * 1024 * 1024:     # страховка от разбухания
+                    buf = buf[-1024 * 1024:]
+
+    def _page_to_doc(self, page: str, min_chars: int) -> dict[str, Any] | None:
+        """Разобрать <page> в документ; None — страница нам не подходит."""
+        if REDIRECT_RE.search(page):
+            return None
+        ns = NS_RE.search(page)
+        if not ns or ns.group(1) != "0":         # только статьи
+            return None
+
+        tm, im, xm = TITLE_RE.search(page), ID_RE.search(page), TEXT_RE.search(page)
+        if not (tm and im and xm):
+            return None
+
+        text = clean_wikitext(xm.group(1))
+        if len(text) < min_chars:
+            return None
+
+        return {"pageid": im.group(1), "title": tm.group(1), "text": text}
+
+    def transform(self, raw: dict[str, Any]) -> dict[str, Any]:
+        """Привести статью к унифицированному формату документов корпуса."""
+        pid = raw.get("pageid")
+        if not pid:
+            return {}
+        return {
+            "source": self.source_name,
+            "ext_id": f"wikipedia_ru:{pid}",
+            "title": raw.get("title", ""),
+            "authors": [],
+            "year": None,
+            "lang": "ru",
+            "url": f"https://ru.wikipedia.org/?curid={pid}",
+            "abstract": (raw.get("text") or "")[:2000],
+            "text": raw.get("text", ""),
+            "dump_position": raw.get("dump_position"),
+        }

services/api/alembic/versions/007_parse_source_resume.py

@@ -0,0 +1,29 @@
+"""Позиция продолжения массовой заливки в источнике.
+
+Revision ID: 007
+Revises: 006
+Create Date: 2026-09-05
+
+Массовые источники (дамп Википедии, бакет PMC) заливаются частями: за один
+прогон берётся столько статей, сколько влезает в бюджет времени таска. Чтобы
+следующий прогон продолжал с того же места, а не перечитывал залитое заново,
+позиция сохраняется прямо в источнике: для Википедии это номер статьи в дампе,
+для PMC — токен страницы бакета.
+"""
+
+import sqlalchemy as sa
+
+from alembic import op
+
+revision = "007"
+down_revision = "006"
+branch_labels = None
+depends_on = None
+
+
+def upgrade() -> None:
+    op.add_column("parse_sources", sa.Column("resume_token", sa.Text(), nullable=True))
+
+
+def downgrade() -> None:
+    op.drop_column("parse_sources", "resume_token")

services/api/app/api/admin.py

@@ -50,8 +50,10 @@ logger = logging.getLogger(__name__)
 
 router = APIRouter(prefix="/admin", tags=["admin"], dependencies=[Depends(get_admin_user)])
 
-# Типы источников, для которых в worker-indexer есть парсер (index.run_parser)
+# Типы источников, для которых в worker-indexer есть парсер (index.run_parser).
-SOURCE_TYPES = ("openalex", "cyberleninka", "arxiv", "pmc")
+# wikipedia_ru и pmc_bulk — массовые: читают дамп/бакет потоком и пишут пачками,
+# продолжая с сохранённой позиции (parse_sources.resume_token)
+SOURCE_TYPES = ("openalex", "cyberleninka", "arxiv", "pmc", "wikipedia_ru", "pmc_bulk")
 # Прогон в этих статусах ещё может двигаться — повторно запускать источник нельзя
 RUN_ACTIVE_STATUSES = ("queued", "running")
 

services/api/app/models/admin.py

@@ -35,6 +35,9 @@ class ParseSource(Base):
     docs_added: Mapped[int] = mapped_column(default=0)
     # Последний (пока идёт — текущий) прогон, см. ParseRun
     last_run_id: Mapped[int | None] = mapped_column(nullable=True)
+    # Позиция продолжения для массовых источников: номер статьи в дампе
+    # Википедии или токен страницы бакета PMC
+    resume_token: Mapped[str | None] = mapped_column(Text, nullable=True)
     created_at: Mapped[datetime] = mapped_column(server_default=func.now())
 
     def __repr__(self) -> str:

services/api/app/schemas/admin.py

@@ -120,7 +120,9 @@ class ParseRunDetail(ParseRunResponse):
 
 # ─── Источники парсинга ───────────────────────────────────────────────────────
 class ParseSourceCreate(BaseModel):
-    source_type: str = Field(description="openalex / cyberleninka / arxiv / pmc")
+    source_type: str = Field(
+        description="openalex / cyberleninka / arxiv / pmc / wikipedia_ru / pmc_bulk"
+    )
     name: str = Field(min_length=1, max_length=255)
     query: str | None = None
     lang: str | None = None
@@ -164,7 +166,9 @@ class ParseSourceResponse(BaseModel):
 class ParseSourceBulkCreate(BaseModel):
     """Пакетное добавление: один тип/лимит, много запросов (по строке на тему)."""
 
-    source_type: str = Field(description="openalex / cyberleninka / arxiv / pmc")
+    source_type: str = Field(
+        description="openalex / cyberleninka / arxiv / pmc / wikipedia_ru / pmc_bulk"
+    )
     queries: list[str] = Field(min_length=1, max_length=500)
     name_prefix: str = ""
     lang: str | None = None

services/frontend/src/pages/admin/Sources.tsx

@@ -32,7 +32,11 @@ const SOURCE_TYPES = [
   { value: 'openalex', label: 'OpenAlex' },
   { value: 'cyberleninka', label: 'КиберЛенинка' },
   { value: 'arxiv', label: 'arXiv' },
-  { value: 'pmc', label: 'PubMed Central' },
+  { value: 'pmc', label: 'PubMed Central (по теме)' },
+  // Массовые: читают дамп/бакет потоком и продолжают с места остановки,
+  // поэтому запускаются повторно до исчерпания источника
+  { value: 'wikipedia_ru', label: 'Википедия ru (дамп, массово)' },
+  { value: 'pmc_bulk', label: 'PubMed Central (бакет, массово)' },
 ];
 
 const STATUS_COLORS: Record<string, string> = {

services/worker-indexer/app/bulk_writer.py

@@ -0,0 +1,132 @@
+"""Пакетная запись документов корпуса — путь для массовых источников.
+
+Обычный `index.add_document` пишет по одному документу через ORM: удобно для
+парсеров, отдающих сотни статей, но на миллионах это тупик. Замер на проде:
+построчная вставка отпечатков — 6.7 тыс. строк/с, COPY — 21 тыс. строк/с, а
+миллион статей это ~2 млрд отпечатков. Разница между сутками и неделями.
+
+Поэтому массовые источники (дампы Википедии, бакет PMC) идут сюда: документы
+вставляются одной командой с ON CONFLICT, отпечатки — через COPY.
+
+Elasticsearch и эмбеддинги здесь намеренно не трогаются: L1 и L2 начинают
+работать сразу, а векторы для L3 досчитываются отдельно
+(`scripts/ops/reembed_missing.py`) — иначе заливка упирается в скорость
+сервера эмбеддингов и тормозит на порядок.
+"""
+
+import contextlib
+import io
+import logging
+import time
+from typing import Any
+
+import psycopg2
+
+from app.algorithms.winnowing import sample_evenly, winnow_ordered
+from app.config import settings
+
+logger = logging.getLogger(__name__)
+
+# Сколько попыток пережить обрыв соединения с базой. Массовая заливка идёт
+# часами, и разрыв сети за это время — норма, а не исключение.
+DB_RETRIES = 5
+
+
+def connect():
+    """Отдельное подключение psycopg2: COPY недоступен через ORM-сессию."""
+    return psycopg2.connect(
+        host=settings.POSTGRES_HOST,
+        port=settings.POSTGRES_PORT,
+        dbname=settings.POSTGRES_DB,
+        user=settings.POSTGRES_USER,
+        password=settings.POSTGRES_PASSWORD,
+    )
+
+
+def write_batch(conn, docs: list[dict[str, Any]], fp_limit: int) -> tuple[Any, dict[str, int]]:
+    """Записать пачку документов с отпечатками, пережив обрыв соединения.
+
+    Args:
+        conn: активное подключение psycopg2 (может быть заменено при обрыве)
+        docs: документы в унифицированном формате парсеров; нужны ext_id,
+            source, title и text — остальное необязательно
+        fp_limit: максимум отпечатков на документ
+
+    Returns:
+        (соединение, счётчики) — соединение может оказаться новым, если
+        пришлось переподключаться; счётчики: added / duplicates / fingerprints
+    """
+    if not docs:
+        return conn, {"added": 0, "duplicates": 0, "fingerprints": 0}
+
+    for attempt in range(1, DB_RETRIES + 1):
+        try:
+            return conn, _write_once(conn, docs, fp_limit)
+        except psycopg2.OperationalError as e:
+            wait = min(60, 5 * attempt)
+            logger.warning(
+                "bulk_writer: база недоступна (%s), повтор через %sс [%s/%s]",
+                str(e).strip()[:80], wait, attempt, DB_RETRIES,
+            )
+            time.sleep(wait)
+            with contextlib.suppress(Exception):
+                conn.close()
+            try:
+                conn = connect()
+            except Exception:
+                continue
+
+    raise RuntimeError(f"не удалось записать пачку после {DB_RETRIES} попыток")
+
+
+def _write_once(conn, docs: list[dict[str, Any]], fp_limit: int) -> dict[str, int]:
+    """Одна попытка записи; счётчики возвращаются только при успехе."""
+    added = duplicates = fingerprints = 0
+
+    with conn.cursor() as cur:
+        cur.executemany(
+            """INSERT INTO documents (ext_id, source, title, doi, year, lang, journal,
+                                      abstract, url, authors, indexed_at)
+               VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,'[]'::json, now())
+               ON CONFLICT (ext_id) DO NOTHING""",
+            [
+                (
+                    d["ext_id"], d["source"], (d.get("title") or "")[:1000], d.get("doi"),
+                    d.get("year"), d.get("lang"), (d.get("journal") or None),
+                    (d.get("text") or "")[:2000], d.get("url"),
+                )
+                for d in docs
+            ],
+        )
+
+        cur.execute(
+            "SELECT id, ext_id FROM documents WHERE ext_id = ANY(%s)",
+            ([d["ext_id"] for d in docs],),
+        )
+        id_by_ext = {ext: doc_id for doc_id, ext in cur.fetchall()}
+
+        buf = io.StringIO()
+        for d in docs:
+            doc_id = id_by_ext.get(d["ext_id"])
+            if doc_id is None:
+                continue
+            # Уже с отпечатками — значит документ залит прошлым прогоном
+            cur.execute("SELECT 1 FROM fingerprints WHERE doc_id = %s LIMIT 1", (doc_id,))
+            if cur.fetchone():
+                duplicates += 1
+                continue
+
+            hashes = sample_evenly(winnow_ordered(d.get("text") or ""), fp_limit)
+            if not hashes:
+                continue
+            for pos, h in enumerate(hashes):
+                buf.write(f"{doc_id}\t{h}\t{pos}\n")
+            fingerprints += len(hashes)
+            added += 1
+
+        buf.seek(0)
+        if added:
+            cur.copy_from(buf, "fingerprints", columns=("doc_id", "hash_value", "position"))
+
+    conn.commit()
+    return {"added": added, "duplicates": duplicates, "fingerprints": fingerprints}

services/worker-indexer/app/config.py

@@ -59,6 +59,12 @@ class Settings(BaseSettings):
     FULL_TEXT_MIN_CHARS: int = 500  # Минимум символов, иначе считаем извлечение неудачным
     EMBED_BATCH_SIZE: int = 64  # Размер пачки документов для диспатча эмбеддингов
 
+    # Сколько документов массового источника пишется одной транзакцией.
+    # Больше — меньше накладных расходов, но длиннее транзакция: 500 статей по
+    # 2000 отпечатков это миллион строк за раз, и на таком объёме соединение
+    # обрывалось. 150 — компромисс, проверенный на заливке Википедии.
+    BULK_WRITE_BATCH: int = 150
+
     # Бюджет времени одного прогона index.run_parser. RabbitMQ рвёт канал
     # consumer'а, не сделавшего ack за consumer_timeout (по умолчанию 1800с):
     # воркер падает, сообщение передоставляется, таск начинается заново —

services/worker-indexer/app/models/__init__.py

@@ -78,6 +78,7 @@ class ParseSource(Base):
     last_run_at: Mapped[datetime | None] = mapped_column(nullable=True)
     docs_added: Mapped[int] = mapped_column(default=0)
     last_run_id: Mapped[int | None] = mapped_column(nullable=True)
+    resume_token: Mapped[str | None] = mapped_column(Text, nullable=True)
     created_at: Mapped[datetime] = mapped_column(server_default=func.now())
 
 

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"
+        if getattr(parser, "bulk", False):
-        prog.count_fetched(len(raw_docs))
+            # Массовые источники (дамп Википедии, бакет PMC) отдают генератор:
-        prog.log("info", f"получено {len(raw_docs)} документов, индексация")
+            # миллионы статей нельзя ни держать в памяти, ни писать по одной
-        _write_run(run_id, **prog.snapshot())
+            # через ORM — для них отдельный путь с пакетной записью
-
+            cancelled, exhausted = _ingest_bulk(parser, raw_docs, prog, run_id, source_id)
-        # Эмбеддинги диспатчим пачками, а не по одному документу: так worker-gpu
+        else:
-        # кодирует батч разом и переписывает FAISS-индекс на диск раз в N добавлений,
+            cancelled, exhausted = _ingest_one_by_one(parser, raw_docs, prog, run_id)
-        # 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()
     except Exception as e:
         error_msg = str(e)[:500]
         prog.log("error", f"прогон упал: {error_msg}")