Сегментация: все строки дорожек под пустым «Перевод:»

На rutracker дорожки бывают перечислены по одной на строку под
«Перевод:» без значения; правила брали только первую строку и теряли
остальные (t=6919056: 1 из 4, t=6927571: 1 из 7). Теперь берутся
подряд идущие строки, начинающиеся со слова типа озвучки.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

src/html_extract.py

@@ -47,6 +47,10 @@ RE_SEP = re.compile(
     r"\s*(?:\+|;|/)\s*(?=Проф|Люб|Авт|Дубл|Многоголос|Двухголос|Одноголос)",
     re.I)
 
+# строка, начинающаяся со слова типа озвучки (продолжение списка под «Перевод:»)
+RE_TYPE_START = re.compile(
+    r"^\s*(?:Проф|Люб|Авт|Дубл|Многоголос|Двухголос|Одноголос)", re.I)
+
 SELECTORS = ("div.post_body", "div[id^=post-text-]", ".postbody", "#tabs")
 
 
@@ -122,6 +126,11 @@ def extract_segments(text: str) -> list[str]:
             if j >= len(lines):
                 break
             body, i = lines[j].strip(), j + 1
+            # rutracker: «Перевод:» и под ним по строке на дорожку — берём
+            # подряд идущие строки, начинающиеся со слова типа
+            while i < len(lines) and RE_TYPE_START.match(lines[i]):
+                body += " ; " + lines[i].strip()
+                i += 1
         else:
             i += 1
             continue

tests/run_tests.py

@@ -102,6 +102,19 @@ segs = extract_segments("Перевод:\nПрофессиональный (ду
 check("значение на следующей строке",
       segs == ["Профессиональный (дублированный) Невафильм"], f"got {segs}")
 
+segs = extract_segments(
+    "Перевод: \n"
+    "Профессиональный (дублированный) | Cinema Tone Production\n"
+    "Профессиональный (псевдодублированный) | HDRezka Studio\n"
+    "Профессиональный (многоголосый закадровый) | HDRezka Studio\n"
+    "Профессиональный (многоголосый закадровый) | TVShows\n"
+    "\nОригинальная аудиодорожка: Английская\n")
+check("список строк под «Перевод:» (rt 6919056)", segs == [
+    "Профессиональный (дублированный) | Cinema Tone Production",
+    "Профессиональный (псевдодублированный) | HDRezka Studio",
+    "Профессиональный (многоголосый закадровый) | HDRezka Studio",
+    "Профессиональный (многоголосый закадровый) | TVShows"], f"got {segs}")
+
 segs = extract_segments("Перевод: Профессиональный (двухголосый закадровый) + Любительский (одноголосый закадровый)")
 check("разделитель +", len(segs) == 2, f"got {segs}")