fix(reap): dodaj brakujacy modul sondy do repo

`.gitignore` ma regule na `_*.py` (pliki robocze), przez co wspolny modul sondy wypadl z
poprzedniego commita i zostaly w nim dwa skrypty importujace nieistniejacy modul.

scripts/_reap_probe.py

@@ -0,0 +1,127 @@
+"""Wspolna sonda dla pomiaru i przemialu martwych zrodel.
+
+Trzymamy to w jednym miejscu, zeby bramka w `tube_reap_dead.py` sprawdzala DOKLADNIE ta
+sama sonde, ktora potem mieli baze. Gdyby to byly dwie kopie, bramka moglaby przepuscic
+przemial oparty na innym zachowaniu niz to, ktore przetestowala.
+"""
+from __future__ import annotations
+
+import re
+import time
+from urllib.parse import urlsplit, urlunsplit
+
+from app.extractors import try_extract
+from app.extractors._models import HosterDead, TubePageError
+
+ALIVE, DEAD, UNKNOWN = "alive", "dead", "unknown"
+
+_SPACING_SEC = 0.4
+
+# Ciag cyfr dosc dlugi, zeby byl numerem sceny, a nie fragmentem tytulu.
+_NUM_RE = re.compile(r"\d{4,}")
+# Segment wygladajacy na identyfikator, a nie na tytul: bez mysinikow i dosc dlugi,
+# za to z cyframi (np. eporner `000goU7Teov`, xnxx `video-10003hb8`).
+_ID_SEG_RE = re.compile(r"^[A-Za-z0-9_.-]{6,}$")
+_ZNACZNIK = "99899989"
+
+
+def bogus_url(url: str) -> str | None:
+    """Prawdziwy adres -> adres sceny, ktora na pewno nie istnieje.
+
+    Sluzy do kontroli negatywnej: jesli taki adres wraca ZYWY, to znaczy, ze dla tego
+    tuba w ogole nie widzimy smierci i jego wynik trzeba odrzucic, a nie czytac jako
+    "brak trupow".
+
+    Pierwsza wersja podmieniala po prostu ostatni ciag cyfr, przez co nie budowala nic
+    dla tubow BEZ numeru sceny w adresie (`hentaigasm.com/1-funkan-dake-.../`,
+    `mypornerleak.com/1st-double-vag-.../`). Takie tuby wychodzily w raporcie jako "0/0",
+    czyli niezmierzone, a bylo ich okolo 950 tys. zrodel. Dlatego kolejno:
+
+    1. numer w parametrach zapytania (`siska.video/video.php?videoID=100007`),
+    2. segment sciezki bedacy identyfikatorem (`/video/39776/`, `/386900.html`,
+       `/hd-porn/000goU7Teov/`, `/video-10003hb8/`),
+    3. gdy identyfikatora nie ma, tub routuje po samym slugu, wiec psujemy slug.
+
+    Kolejnosc ma znaczenie: slug psujemy DOPIERO na koncu, bo czesc tubow routuje po
+    samym numerze i sluga nie sprawdza, wiec zepsuty slug oddalby 200 i falszywie
+    wygladal na slepote sondy.
+    """
+    parts = urlsplit(url)
+
+    if parts.query and _NUM_RE.search(parts.query):
+        q = _NUM_RE.sub(_ZNACZNIK, parts.query, count=1)
+        return urlunsplit((parts.scheme, parts.netloc, parts.path, q, parts.fragment))
+
+    segs = parts.path.split("/")
+    idx = [i for i, s in enumerate(segs) if s]
+    if not idx:
+        return None
+
+    def _rozbij(seg: str) -> tuple[str, str]:
+        rdzen, _, ext = seg.rpartition(".")
+        return (rdzen, ext) if rdzen else (seg, "")
+
+    def _zloz(i: int, nowy: str, ext: str) -> str:
+        segs[i] = f"{nowy}.{ext}" if ext else nowy
+        return urlunsplit(
+            (parts.scheme, parts.netloc, "/".join(segs), parts.query, parts.fragment)
+        )
+
+    # Przebieg 1: segment bedacy CALY identyfikatorem (`/video/39776/`, `/386900.html`,
+    # `/hd-porn/000goU7Teov/`). Segmenty czysto literowe pomijamy, bo to nazwa trasy
+    # (`videos`, `episodes`, `watch`). Podmiana trasy sprawdzalaby, czy tub obsluguje
+    # dany adres, a nie czy istnieje scena, wiec tub oddajacy 404 na zla trase i 200 na
+    # nieistniejaca scene FALSZYWIE zdalby bramke. To jedyny kierunek bledu, ktory boli.
+    for i in reversed(idx):
+        rdzen, ext = _rozbij(segs[i])
+        if "-" in rdzen or not _ID_SEG_RE.match(rdzen):
+            continue
+        if rdzen.isdigit() or (rdzen.isalnum() and any(c.isdigit() for c in rdzen)):
+            nowy = (
+                _NUM_RE.sub(_ZNACZNIK, rdzen, count=1)
+                if _NUM_RE.search(rdzen)
+                else rdzen[:-2] + "zq"
+            )
+            return _zloz(i, nowy, ext)
+
+    # Przebieg 2: identyfikator wtopiony w slug (`/video-10003hb8/`,
+    # `/videos/01082023-a-bj-to-remember/`, `..._17800085.html`).
+    for i in reversed(idx):
+        rdzen, ext = _rozbij(segs[i])
+        if _NUM_RE.search(rdzen):
+            return _zloz(i, _NUM_RE.sub(_ZNACZNIK, rdzen, count=1), ext)
+
+    # Przebieg 3: identyfikatora nie ma, tub routuje po samym slugu, wiec psujemy slug.
+    last = idx[-1]
+    rdzen, _, ext = segs[last].rpartition(".")
+    if rdzen:
+        segs[last] = f"{rdzen}-zqx9nieistnieje.{ext}"
+    else:
+        segs[last] = f"{segs[last]}-zqx9nieistnieje"
+    return urlunsplit((parts.scheme, parts.netloc, "/".join(segs), parts.query, parts.fragment))
+
+
+def probe(sitetag: str, url: str) -> tuple[str, str]:
+    """(werdykt, szczegol) dla jednego adresu. Szczegol sluzy tylko do raportu.
+
+    Idzie przez `try_extract`, czyli ten sam kod, ktorego uzywa aplikacja przy
+    odtwarzaniu, wiec sonda nie moze "widziec" czegos innego niz user.
+
+    DEAD pada TYLKO na twardych sygnalach: HTTP 404/410 albo `HosterDead` (soft-404, np.
+    sxyprn "Post Not Found"). Wszystko inne, lacznie z pustym wynikiem ekstraktora, to
+    UNKNOWN i zrodla nikt nie rusza. Odwrotne ustawienie schowaloby zywe sceny po cichej
+    zmianie markupu, tak jak przy porntrex (6479 scen).
+    """
+    time.sleep(_SPACING_SEC)
+    try:
+        out = try_extract(sitetag, url)
+    except TubePageError as e:
+        if e.status_code in (404, 410):
+            return DEAD, f"HTTP {e.status_code}"
+        # 403, 5xx, rate limit: NIE jest dowodem na nic.
+        return UNKNOWN, f"HTTP {e.status_code}"
+    except HosterDead:
+        return DEAD, "soft-404"
+    except Exception as e:
+        return UNKNOWN, type(e).__name__
+    return (ALIVE, "") if out else (UNKNOWN, "ekstraktor zwrocil pusto")