refactor(indexer): вынести разбиение на фрагменты в app.fragments + 5 тестов

_split_into_fragments жила в тяжёлой Celery-задаче (celery/sqlalchemy/minio) и
не тестировалась, хотя именно она определяет, ЧТО проверяется на плагиат.
Вынес в чистый app.fragments.split_into_fragments — тестируется изолированно:

- пустой/пробельный текст → [];
- текст короче 20 слов → отбрасывается порогом длины;
- короткий текст → один фрагмент на весь объём, start=0;
- скользящее окно: перекрытие ровно (window-step) слов, хвост==голова соседа;
- start/end — корректные символьные офсеты в исходный текст.

Поведение сохранено 1:1. Добавлен в mypy-гейт. Тестов всего: 66.

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

services/worker-indexer/app/fragments.py

@@ -0,0 +1,56 @@
+"""Разбиение текста документа на фрагменты для проверки плагиата — чистая логика.
+
+Скользящее окно по словам с перекрытием. Вынесено из Celery-задачи, чтобы
+границы фрагментов (от них зависит, что именно проверяется на плагиат) можно
+было тестировать изолированно.
+"""
+
+from typing import Any
+
+
+def split_into_fragments(
+    text: str,
+    window: int = 200,
+    overlap: int = 50,
+) -> list[dict[str, Any]]:
+    """Разбить текст на фрагменты скользящим окном с перекрытием.
+
+    Args:
+        text: Исходный текст
+        window: Размер окна в словах
+        overlap: Перекрытие между соседними фрагментами в словах
+
+    Returns:
+        Список словарей {"text": str, "start": int, "end": int}, где start/end —
+        позиции в символах. Фрагменты короче 20 слов отбрасываются.
+    """
+    words = text.split()
+    if not words:
+        return []
+
+    fragments: list[dict[str, Any]] = []
+    step = window - overlap
+
+    # Позиция первого символа каждого слова (слова разделены одним пробелом)
+    char_positions = []
+    pos = 0
+    for word in words:
+        char_positions.append(pos)
+        pos += len(word) + 1  # +1 для пробела
+
+    for i in range(0, max(1, len(words) - window + 1), step):
+        chunk_words = words[i : i + window]
+        if len(chunk_words) < 20:  # слишком короткий фрагмент — пропустить
+            continue
+
+        start_char = char_positions[i]
+        end_idx = min(i + window - 1, len(words) - 1)
+        end_char = char_positions[end_idx] + len(words[end_idx])
+
+        fragments.append({
+            "text": " ".join(chunk_words),
+            "start": start_char,
+            "end": end_char,
+        })
+
+    return fragments

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

@@ -16,60 +16,11 @@ from app.config import settings
 from app.db import db_session, get_minio, update_task_status
 from app.extractors.docx import extract_text_from_docx, extract_text_from_txt
 from app.extractors.pdf import extract_text_from_pdf
+from app.fragments import split_into_fragments
 
 logger = get_task_logger(__name__)
 
 
-def _split_into_fragments(
-    text: str,
-    window: int = 200,
-    overlap: int = 50,
-) -> list[dict[str, Any]]:
-    """
-    Разбить текст на фрагменты для проверки плагиата.
-
-    Использует скользящее окно с перекрытием.
-
-    Args:
-        text: Исходный текст
-        window: Размер окна в словах
-        overlap: Перекрытие между фрагментами в словах
-
-    Returns:
-        Список словарей {"text": str, "start": int, "end": int}
-    """
-    words = text.split()
-    if not words:
-        return []
-
-    fragments = []
-    step = window - overlap
-    char_positions = []
-
-    # Вычислить позиции символов для каждого слова
-    pos = 0
-    for word in words:
-        char_positions.append(pos)
-        pos += len(word) + 1  # +1 для пробела
-
-    for i in range(0, max(1, len(words) - window + 1), step):
-        chunk_words = words[i : i + window]
-        if len(chunk_words) < 20:  # Пропустить слишком короткие фрагменты
-            continue
-
-        start_char = char_positions[i]
-        end_idx = min(i + window - 1, len(words) - 1)
-        end_char = char_positions[end_idx] + len(words[end_idx])
-
-        fragments.append({
-            "text": " ".join(chunk_words),
-            "start": start_char,
-            "end": end_char,
-        })
-
-    return fragments
-
-
 @celery_app.task(
     name="index.extract_and_check",
     bind=True,
@@ -133,7 +84,7 @@ def extract_and_check(
         _stage_work(task_id, minio_key, filename, text, word_count)
 
         # Разбить на фрагменты
-        fragments = _split_into_fragments(
+        fragments = split_into_fragments(
             text,
             window=settings.FRAGMENT_WINDOW_WORDS,
             overlap=settings.FRAGMENT_OVERLAP_WORDS,

services/worker-indexer/tests/test_fragments.py

@@ -0,0 +1,43 @@
+"""Юнит-тесты разбиения текста на фрагменты (определяет, что проверяется)."""
+
+from app.fragments import split_into_fragments
+
+
+def _text(n: int) -> str:
+    """n слов одинаковой длины: 'w000 w001 ... ' (по 4 символа + пробел)."""
+    return " ".join(f"w{i:03d}" for i in range(n))
+
+
+def test_empty_text_returns_empty():
+    assert split_into_fragments("") == []
+    assert split_into_fragments("   ") == []
+
+
+def test_text_shorter_than_min_words_is_dropped():
+    # < 20 слов → единственный кандидат отбрасывается порогом длины
+    assert split_into_fragments(_text(19), window=200, overlap=50) == []
+
+
+def test_short_text_single_fragment_covers_all():
+    frags = split_into_fragments(_text(30), window=200, overlap=50)
+    assert len(frags) == 1
+    assert frags[0]["start"] == 0
+    assert frags[0]["text"] == _text(30)
+
+
+def test_sliding_window_overlap():
+    frags = split_into_fragments(_text(50), window=25, overlap=5)
+    # step = window - overlap = 20 → окна начинаются со слов 0 и 20
+    assert len(frags) == 2
+    words0 = frags[0]["text"].split()
+    words1 = frags[1]["text"].split()
+    assert len(words0) == 25 and len(words1) == 25
+    # перекрытие ровно 5 слов: хвост первого == голова второго
+    assert words0[-5:] == words1[:5]
+
+
+def test_char_positions_are_offsets_into_source_text():
+    text = _text(30)
+    f = split_into_fragments(text, window=25, overlap=5)[0]
+    assert text[f["start"]:].startswith("w000")   # start — символьный офсет начала
+    assert text[: f["end"]].endswith("w024")       # end — конец 25-го слова окна