anti-plagiarism/scripts/ops/keep_ingesting.py

#!/usr/bin/env python3
"""Держать массовую заливку идущей: перезапускать источники, когда они закончили.

Массовый источник за один прогон берёт столько статей, сколько влезает в бюджет
времени таска, сохраняет позицию и останавливается. Без внешнего толчка заливка
идёт рывками — ровно столько, сколько раз кто-то нажмёт «Запустить». Этот скрипт
и есть толчок: раз в несколько минут проверяет, не простаивает ли источник, и
запускает следующую порцию.

Ставится в cron на app-хосте:
    */5 * * * * cd /home/user/anti-plagiarism && /usr/bin/docker compose \
      -f docker-compose.prod.yml exec -T worker-indexer python - \
      < scripts/ops/keep_ingesting.py >> ~/.antiplag-monitor/ingest.log 2>&1

Останавливается сам, когда источник исчерпан: парсер перестаёт отдавать статьи,
прогон закрывается с нулём добавленных, и скрипт больше его не трогает
(--stop-when-empty, по умолчанию включено).

Перед подсчётом «занято ли» снимает зависшие прогоны: если worker-indexer упал
или перезапустился, прогон навсегда остаётся в статусе running с замолчавшим
heartbeat — без этой чистки сторож видит «занято» бесконечно и не запускает
вообще ничего, для всех источников сразу (порог тот же, что и в панели
отладки — services/api/app/api/admin.py, stale_cutoff).

Молчащий heartbeat сам по себе ещё не значит «мёртв»: пачка COPY на большой
базе идёт десятки минут без единого тика. Поэтому прогон снимается, только
если его таска нет среди выполняющихся на воркерах queue.index; не ответил
хоть один такой воркер — не снимается ничего. Иначе сторож снимал живой
медленный прогон и тут же запускал его дубль по тем же статьям.
"""

import argparse

BULK_TYPES = ("wikipedia_ru", "pmc_bulk", "core")
STALE_MINUTES = 10


def live_task_ids(celery_app) -> set[str] | None:
    """ID тасков, выполняющихся на воркерах queue.index; None — кто-то из них не ответил."""
    queues = celery_app.control.inspect(timeout=10).active_queues() or {}
    workers = [w for w, qs in queues.items() if any(q["name"] == "queue.index" for q in qs)]
    if not workers:
        return None
    active = celery_app.control.inspect(destination=workers, timeout=10).active()
    if not active or set(active) != set(workers):
        return None
    return {t["id"] for tasks in active.values() for t in tasks}


def main() -> None:
    ap = argparse.ArgumentParser(description=__doc__,
                                 formatter_class=argparse.RawDescriptionHelpFormatter)
    ap.add_argument("--types", default=",".join(BULK_TYPES),
                    help="типы источников через запятую")
    ap.add_argument("--keep-going-empty", action="store_true",
                    help="запускать даже если прошлый прогон ничего не добавил")
    args = ap.parse_args()

    from app.celery_app import celery_app
    from app.db import db_session
    from app.models import ParseRun, ParseSource
    from sqlalchemy import text

    types = tuple(t.strip() for t in args.types.split(",") if t.strip())

    live = live_task_ids(celery_app)

    with db_session() as s:
        if live is None:
            print("воркеры queue.index не ответили — живость прогонов не проверить, не снимаю")
            reaped = []
        else:
            reaped = s.execute(text(f"""
                UPDATE parse_runs SET status='error', stage='finished',
                       error='зависший прогон снят автоматически: таск не выполняется, heartbeat молчал дольше {STALE_MINUTES} минут',
                       finished_at=now()
                WHERE status='running'
                  AND (heartbeat_at IS NULL OR heartbeat_at < now() - interval '{STALE_MINUTES} minutes')
                  AND (celery_task_id IS NULL OR NOT (celery_task_id = ANY(CAST(:live AS text[]))))
                RETURNING id, source_id
            """), {"live": sorted(live)}).all()
        # queued без heartbeat — тот же зомби другого вида: send_task не дошёл
        # или упал между двумя commit при постановке в очередь (celery_task_id
        # так и остался пустым), воркер о такой задаче никогда не узнает
        reaped += s.execute(text(f"""
            UPDATE parse_runs SET status='error', stage='finished',
                   error='зависший прогон снят автоматически: висел в очереди дольше {STALE_MINUTES} минут',
                   finished_at=now()
            WHERE status='queued'
              AND celery_task_id IS NULL
              AND started_at < now() - interval '{STALE_MINUTES} minutes'
            RETURNING id, source_id
        """)).all()
        if reaped:
            for source_id in {row.source_id for row in reaped}:
                s.execute(text("""
                    UPDATE parse_sources SET last_status='error',
                           last_error='зависший прогон снят автоматически'
                    WHERE id=:sid AND last_status='running'
                """), {"sid": source_id})
            s.commit()
            print(f"снято зависших прогонов: {len(reaped)} ({', '.join(str(r.id) for r in reaped)})")

        active = s.execute(text(
            "SELECT count(*) FROM parse_runs WHERE status IN ('queued','running')"
        )).scalar_one()
        if active:
            print(f"уже идёт прогонов: {active} — ждём")
            return

        sources = s.execute(text("""
            SELECT id, source_type, last_run_id FROM parse_sources
            WHERE enabled AND source_type = ANY(:types) ORDER BY id
        """), {"types": list(types)}).all()

        started = []
        for source_id, source_type, last_run_id in sources:
            # Источник исчерпан, если прогоны перестали добавлять статьи: дальше
            # в дампе/бакете/выдаче для нас ничего нет.
            #
            # Но ОДИН пустой прогон — ещё не приговор: ровно так же выглядят
            # обрыв связи с API и прогон на устаревшем коде парсера. На CORE
            # 16.09.2026 из-за этого источник был помечен исчерпанным после
            # единственной неудачи и больше не запускался — молча, без ошибки.
            # Поэтому ждём два пустых прогона подряд: разовый сбой переживём,
            # а реально кончившийся источник остановится всего на один прогон
            # позже.
            if last_run_id and not args.keep_going_empty:
                last_two = s.execute(text("""
                    SELECT status, added, fetched FROM parse_runs
                    WHERE source_id = :sid ORDER BY id DESC LIMIT 2
                """), {"sid": source_id}).all()
                if len(last_two) == 2 and all(
                    r.status == "done" and r.added == 0 and r.fetched == 0 for r in last_two
                ):
                    print(f"{source_type}: источник исчерпан (два пустых прогона), пропускаем")
                    continue

            src = s.get(ParseSource, source_id)
            run = ParseRun(source_id=source_id, status="queued", stage="queued",
                           target=src.limit, log=[])
            s.add(run)
            s.flush()

            src.last_status = "running"
            src.last_error = None
            src.last_run_id = run.id
            s.commit()

            result = celery_app.send_task("index.run_parser", args=[source_id, run.id],
                                          queue="queue.index")
            run.celery_task_id = result.id
            s.commit()
            started.append(f"{source_type}(прогон {run.id})")

    print("запущено:", ", ".join(started) if started else "нечего запускать")


if __name__ == "__main__":
    main()