Метки rutracker: «Перевод:» без значения и список дорожек ниже

Парсер меток (rt_parse) требовал текст после «Перевод:» на той же строке, поэтому
раздачи с пустым «Перевод:» и списком «Профессиональный (…) | Студия» по строке на
дорожку (t=6919056, 6927571) не получали меток, релиз не сохранялся, а сегментатор
учился на их дорожках как на негативах. Теперь rt_bare_list берёт подряд идущие
строки со словом типа (через пустые строки; строки «тип: определение» —
глоссарий — не берутся). То же правило в html_extract.extract_segments.

На data/raw: +252 раздачи получают метки, в 12 добавляются недостающие дорожки.
PARSE_VERSION 3 -> 4 (переразбор при «Переиндексировать data/raw»). Тест rt_parse
на 6919056; 276 ok.

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

src/html_extract.py

@@ -133,7 +133,7 @@ def extract_segments(text: str) -> list[str]:
                 k = i
                 while k < len(lines) and not lines[k].strip():
                     k += 1
-                if k >= len(lines) or not RE_TYPE_START.match(lines[k]):
+                if k >= len(lines) or not RE_TYPE_START.match(lines[k]) or ":" in lines[k]:  # «тип: определение» — глоссарий
                     break
                 body += " ; " + lines[k].strip()
                 i = k + 1

tests/run_tests.py

@@ -823,6 +823,15 @@ check("метки rt_parse: кодек и битрейт из строки «А
       all(r["codec"] == "AC3" and r["kbps"] == "192" for r in _hr), str(_hr))
 check("метки rt_parse: 5 студий + 1 доп. 18+", len(_rows) == 6, str(len(_rows)))
 
+_bare = ("Перевод:\nПрофессиональный (дублированный) | Cinema Tone Production\n\nПрофессиональный (псевдодублированный) | HDRezka Studio\n"
+         "Профессиональный (многоголосый закадровый) | HDRezka Studio\nПрофессиональный (многоголосый закадровый) | TVShows\n"
+         "\nОригинальная аудиодорожка: Английская\nСубтитры: Русские, английские\n")
+_br, _ = _hc.rt_parse({"id": "6919056", "title": "Астрал 6 [2026, WEB-DL 2160p]", "post": _bare})
+check("метки rt_parse: «Перевод:» без значения + список строк (6919056)",
+      [(r["translation_type"], r["studio"]) for r in _br] == [
+          ("проф. дубляж", "Cinema Tone Production"), ("люб. дубляж", "HDrezka"),  # псевдодубляж = «люб. дубляж»
+          ("проф. многоголосый", "HDrezka"), ("проф. многоголосый", "TVShows")], str([(r["translation_type"], r["studio"]) for r in _br]))
+
 _sf = __import__("src.release", fromlist=["x"]).series_info("Сериал / Сезон 1 / Серии 1-8 из 8 [2026]", [
     {"studio": "LostFilm", "episodes": "1-4", "episode_ranges": [[1, 4]]},
     {"studio": "HDrezka", "episodes": None, "episode_ranges": []}])

tools/collect.py

@@ -1028,7 +1028,7 @@ def cmd_build(rewrite: bool = False, relabel: bool = False, runner: "Runner | No
 
 # Версия разбора: поднимите при правке парсеров (harvest_core, html_to_text) — тогда
 # кэш «уже разобрано» сбросится сам и данные пересоберутся один раз.
-PARSE_VERSION = 3
+PARSE_VERSION = 4
 
 
 def load_json(path: Path) -> dict:

tools/harvest/harvest_core.py

@@ -1288,6 +1288,10 @@ def _kz_parse_core(rec: dict) -> tuple[list[dict], dict]:
 # ---- rutracker -----------------------------------------------------
 RT_RE_FIELD = re.compile(
     r"^\s*(?:Перевод|Озвучка|Озвучивание|Озвучено|Звук)\s*(?:#\s*\d+|\d+)?\s*:\s*(?P<body>.+)$", re.I)
+RT_RE_BARE = re.compile(
+    r"^\s*(?:Перевод|Озвучка|Озвучивание|Озвучено|Звук)\s*(?:#\s*\d+|\d+)?\s*:\s*$", re.I)
+RT_RE_TYPE_START = re.compile(
+    r"^\s*(?:Профессиональн|Любительск|Авторск|Дублирован|Многоголос|Двухголос|Одноголос)", re.I)
 RT_RE_SUBS = re.compile(r"^\s*Субтитры\s*:\s*(?P<body>.+)$", re.I)
 RT_RE_BRACKET = re.compile(r"\[(?P<body>[^\]]*)\]")
 RT_RE_SEP = re.compile(r"\s*(?:\+|;|/)\s*(?=Проф|Люб|Авт|Дубл|Многоголос|Двухголос|Одноголос)", re.I)
@@ -1366,20 +1370,44 @@ def audio18_rows(rows: list[dict], post: str) -> list[dict]:
     return rows + extra
 
 
+def rt_bare_list(lines: list[str], i: int, taken: set[int]) -> list[str]:
+    """«Перевод:» без значения: дорожки списком ниже, по строке на дорожку.
+
+    Берутся подряд идущие строки со словом типа озвучки; между ними могут стоять
+    пустые (в HTML после <br> идёт ещё и перевод строки). Номера взятых строк
+    кладутся в taken, чтобы их не разбирали второй раз.
+    """
+    out, j = [], i + 1
+    while True:
+        k = j
+        while k < len(lines) and not lines[k].strip():
+            k += 1
+        if k >= len(lines) or not RT_RE_TYPE_START.match(lines[k]) or ":" in lines[k]:  # «тип: определение» — глоссарий
+            return out
+        out.append(lines[k])
+        taken.add(k)
+        j = k + 1
+
+
 def _rt_parse_core(rec: dict) -> tuple[list[dict], dict]:
     post = rec.get("post") or ""
     info = rt_parse_title(rec.get("page_title") or rec.get("title") or "")
-    entries, subs = [], ""
-    for line in post.splitlines():
+    entries, subs, taken = [], "", set()
+    lines = post.splitlines()
+    for i, line in enumerate(lines):
+        if i in taken:
+            continue
         m = RT_RE_FIELD.match(line)
-        if m:
-            for part in rt_split_entries(m.group("body")):
-                e = rt_parse_entry(part)
-                if e["type"] in ("оригинал", "субтитры"):
-                    continue
-                if not e["studio"] and e["type"] == "неизвестно":
-                    continue
-                entries.append(e)
+        bodies = [m.group("body")] if m else (rt_bare_list(lines, i, taken) if RT_RE_BARE.match(line) else [])
+        if bodies:
+            for body in bodies:
+                for part in rt_split_entries(body):
+                    e = rt_parse_entry(part)
+                    if e["type"] in ("оригинал", "субтитры"):
+                        continue
+                    if not e["studio"] and e["type"] == "неизвестно":
+                        continue
+                    entries.append(e)
             continue
         m = RT_RE_SUBS.match(line)
         if m and not subs: