fix(parsers): починить CyberLeninka + подготовить русскую заливку корпуса

Корпус на 99.4% английский, 0 русских источников — при том что сервис для русских
студентов. Корень: парсер CyberLeninka был сломан (слал GET на /api/search → HTTP
405) и ни разу не наполнял базу.

- cyberleninka.py: GET→POST с JSON-телом (mode=articles); authors теперь из списка
  (API отдаёт список, не строку); чистка <b>-подсветки и HTML-сущностей (&quot;).
  Проверено вживую: 5/5 студенческих тем возвращают реальные русские статьи.
- Юнит-тесты парсера (scripts/parsers/tests/, 5 шт.) + обвязка; run_tests.sh обобщён
  на пути → парсеры теперь в тест-гейте CI. Всего тестов: 87.
- scripts/seed_ru_sources.py: сидер parse_sources по 30 студенческим дисциплинам
  (dry-run по умолчанию, --apply для записи). НЕ запускает заливку — готовит задания.
- docs/INGESTION.md: runbook (текущее состояние, шаги запуска, проверка, масштаб).

Прод-путь index.run_parser уже поддерживает cyberleninka и openalex(lang=ru).
Заливку не запускал — это отдельный go (ресурсоёмко: GPU-эмбеддинги, рост БД).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

docs/INGESTION.md

@@ -0,0 +1,52 @@
+# Наполнение корпуса — runbook
+
+## Текущее состояние (на 2026-08-12)
+
+- ~**42K документов**, из них **99.4% английские, 0 русских** (см. `documents`).
+- Заливка **встала 2026-08-07**. Корпус — seed из ~30 английских тем OpenAlex/arXiv.
+- Для сервиса под русских студентов это главный дефект: русские работы проверять
+  не с чем.
+
+## Что подготовлено
+
+- **Парсер CyberLeninka починен** (`scripts/parsers/cyberleninka.py`): раньше слал GET
+  на `/api/search` → HTTP 405; теперь POST с JSON-телом (`mode=articles`), authors из
+  списка, чистка `<b>`/HTML-сущностей. Проверено вживую (5/5 тем) + юнит-тесты
+  (`scripts/parsers/tests/`), в гейте CI.
+- **Прод-путь готов**: `index.run_parser(source_id)` уже умеет `cyberleninka` и
+  `openalex` c `lang=ru`.
+- **Сидер источников**: `scripts/seed_ru_sources.py` — 30 студенческих дисциплин.
+
+## Запуск русской заливки
+
+```bash
+# 1. (на app-хосте / в контейнере worker-indexer, где есть psycopg2 и прод-.env)
+#    Посмотреть план:
+python scripts/seed_ru_sources.py
+#    Создать источники в parse_sources (лимит на дисциплину):
+python scripts/seed_ru_sources.py --apply --limit 500
+
+# 2. Проверить пару источников на темпе/качестве, затем запустить заливку:
+#    • Админ-панель → «Источники» → «Запустить», ЛИБО
+#    • Celery: index.run_parser.delay(source_id) по каждому id
+```
+
+Заливка сама: fetch (rate-limit 1 req/s) → `add_document` (дедуп по `ext_id`,
+fingerprints L1, MinHash L2) → батч-эмбеддинги `gpu.embed_documents` (L3). ~30 тем ×
+500 ≈ 15K русских документов на первый заход.
+
+## Проверка результата
+
+```sql
+SELECT lang, count(*) FROM documents GROUP BY lang ORDER BY 2 DESC;   -- должен появиться ru
+SELECT source, count(*) FROM documents WHERE source='cyberleninka';   -- > 0
+```
+
+## Масштаб (следующий уровень)
+
+- Больше тем + выше `--limit`; добавить OpenAlex `lang=ru` (качество ниже — англ.
+  заголовки с меткой ru).
+- Для миллионов — **bulk** (снапшот OpenAlex на S3), а не постраничный API.
+- На масштабе обязателен `VECTOR_BACKEND=qdrant` (FAISS flat не тянет), а таблица
+  `fingerprints` (уже ~29M строк на 42K доков) потребует партиционирования. См.
+  [ARCHITECTURE.md](ARCHITECTURE.md) и [DR-HA.md](DR-HA.md).