Docker-сервис, выбор основы и сравнение моделей, сборщик датасета

- Docker: Dockerfile (CPU), compose с FlareSolverr, настройка через DUB_* переменные,
  токен доступа к /predict, tools/pack_models.py, workflow Gitea Actions, docs/docker.md
- Модель грузится офлайн (config.json рядом с весами); общий код вынесен в src/spans.py,
  сервису не нужны sklearn/matplotlib/pandas
- Обучение: профили tiny2/base/large/modern, запуски в models/runs, реестр и честное
  сравнение на одной тестовой выборке (src/runs.py), пункт меню «Модели»
- Датасет: язык и аудио-параметры дорожек, 18+ по строкам «Аудио», ручные метки по ссылкам,
  переиндексация сохранённого HTML, параллельная сборка, сбалансированная выборка
- Тексты страниц (data/pages) больше не хранятся в git

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

tools/rebuild_workers.py

@@ -0,0 +1,61 @@
+"""Рабочие функции переиндексации (tools/collect.py → build / meta).
+
+Вынесены в отдельный лёгкий модуль, чтобы их можно было запускать в процессах
+(multiprocessing на Windows импортирует модуль заново, поэтому здесь нет rich,
+интерфейса и состояния сборщика). Каждая функция получает и возвращает только
+простые данные.
+"""
+
+from __future__ import annotations
+
+import json
+import sys
+from pathlib import Path
+
+_ROOT = Path(__file__).resolve().parents[1]
+for _p in (_ROOT, _ROOT / "tools", _ROOT / "tools" / "harvest"):
+    if str(_p) not in sys.path:
+        sys.path.insert(0, str(_p))
+
+import harvest_core as hv  # noqa: E402
+import meta  # noqa: E402
+from src.html_extract import html_to_text  # noqa: E402
+
+PARSERS = {"kinozal": hv.kz_parse, "rutracker": hv.rt_parse, "nnm": hv.nnm_parse}
+
+
+def build_one(task: dict) -> dict:
+    """Один релиз: метки (если нужны) и страница data/pages/<stem>.txt (если нужна).
+
+    task: site, json, html, parse (строить метки), known (уже размечен), page (куда писать
+    текст страницы или None). Ответ: labs, error, skipped (нет меток у нового релиза), wrote.
+    """
+    out = {"labs": [], "error": None, "skipped": False, "wrote": False}
+    rec = None
+    if task["parse"]:
+        rec = json.loads(Path(task["json"]).read_text(encoding="utf-8"))
+        try:
+            out["labs"], _ = PARSERS[task["site"]](rec)
+        except Exception as exc:                                   # noqa: BLE001
+            out["error"] = str(exc)
+            if not task["known"]:
+                return out                                         # новый релиз без разбора — пропуск
+        if not out["labs"] and not task["known"]:
+            out["skipped"] = True                                  # без меток страницу в обучение не берём
+            return out
+    if task["page"]:
+        text = html_to_text(Path(task["html"]).read_text(encoding="utf-8"))
+        Path(task["page"]).write_text(text, encoding="utf-8")
+        out["wrote"] = True
+    return out
+
+
+def meta_one(task: dict) -> dict:
+    """Одна строка meta.csv. task: site, rec, name, html, page (готовый текст страницы или None)."""
+    full = ""
+    page = task.get("page")
+    if page and Path(page).exists():
+        full = Path(page).read_text(encoding="utf-8")              # уже разобран при сборке страниц
+    elif task.get("html") and Path(task["html"]).exists():
+        full = html_to_text(Path(task["html"]).read_text(encoding="utf-8"))
+    return meta.extract(task["site"], task["rec"], task["name"], full)