fix(vjav): bramka jakosci tytulu + wlasna iteracja stron

Po naprawie dostepu vjav ruszyl, ale zaczal sypac smieciem: pomiar na 295 scenach z
doby po fixie dal 78,6 proc. tytulow slug-concat i ZERO przypisanej obsady. Takie
sceny sa w apce nieodnajdywalne - nie maja ani tytulu, ani performera.

Bramka odrzuca cztery wzorce: prefiks id_JAV, hash x1x..., kod typu
QCT062-KPUDYLMLBL913295279 oraz ciagi bez samoglosek/spacji (walniecie w klawiature).
Zmierzone na probce 6000 tytulow: odrzuca 80 proc. swiezych i 27 proc. starych, przy
39 przepuszczonych na 200 obejrzanych - zrodlo nie jest wyzerowane.

WAZNE, znalezione przy pomiarze pierwszej wersji: str.isalpha() jest prawdziwe dla
kana i kanji, a japonski nie stawia spacji, wiec reguly "za malo samoglosek" i "brak
spacji" odrzucalyby PRAWDZIWE tytuly na serwisie JAV - 708 z 708 tytulow CJK z probki.
Stad jawny wyjatek _has_cjk. Kontrola jednostkowa: 8/8 przypadkow, w tym dwa CJK.

Drugi blad, wprowadzony przez sama bramke i zlapany dopiero pilotem: strona 1 jest w
100 proc. smieciowa, wiec po odsianiu zwracala [], a bazowe latest_scenes traktuje
pusta strone jako koniec katalogu i konczylo caly run. Zrodlo dawalo seen: 0 mimo 39
dobrych scen na stronach 2-5. Wlasna iteracja rozstrzyga wyczerpanie po dlugosci listy
id, nie po liczbie scen po filtrze. To ta sama pulapka co w _load_ids.

Pilot po obu poprawkach: seen 39 (wszystkie skipped - weszly przed bramka).

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

app/connectors/direct_scrapers/vjav.py

@@ -59,6 +59,47 @@ def _parse_duration(value: str | None) -> int | None:
     return sec or None
 
 
+# --- bramka jakości tytułu ----------------------------------------------------------
+# vjav zaczął sypać śmieciem: pomiar 2026-08-04 na 295 scenach z doby po naprawie
+# dostępu dał 78,6% tytułów typu slug-concat i ZERO przypisanej obsady. Takie sceny są
+# w apce nieodnajdywalne — nie mają ani tytułu, ani performera, po którym da się trafić.
+# W starym katalogu ten sam pomiar daje 27% (wcześniejsza liczba 2,9% była zaniżona,
+# bo sprawdzała tylko jeden z czterech wzorców).
+_JUNK_ID_JAV = re.compile(r"^\d{6,}_JAV", re.IGNORECASE)          # 0008364_JAV_JapaneseAV_...
+_JUNK_HEX_ID = re.compile(r"^x\d+x[0-9A-F]{12,}$")                 # x1x84BDE66B5F8862EDA6
+_JUNK_CODE_MASH = re.compile(r"^[A-Za-z]{2,4}\d{2,4}-[A-Z]{6,}\d{6,}$")  # QCT062-KPUDYLMLBL913295279
+
+
+def _has_cjk(text: str) -> bool:
+    """Tytuły japońskie/chińskie MUSZĄ omijać heurystyki znakowe: `str.isalpha()` jest
+    prawdziwe dla kana i kanji, a japoński nie stawia spacji, więc reguły „za mało
+    samogłosek" i „brak spacji" odrzuciłyby prawdziwe tytuły na serwisie JAV. Ta pomyłka
+    wyszła przy pomiarze pierwszej wersji bramki — bez tego wyjątku poszłoby 708 z 708
+    tytułów CJK z próbki."""
+    return sum(1 for c in text if "　" <= c <= "鿿" or "＀" <= c <= "￯") >= 3
+
+
+def _is_junk_title(title: str) -> bool:
+    """True gdy tytuł nie niesie żadnej informacji (id, hash, walnięcie w klawiaturę).
+
+    Zmierzone na próbce 6000 tytułów vjav: odrzuca 76% świeżych i 27% starych, przy
+    ZERO odrzuconych tytułach CJK. Przepuszczone przykłady to normalne zdania
+    („Maki Horiguchis Erotic Shower...", „200GANA-2482 Japanese Amateur")."""
+    t = (title or "").strip()
+    if not t:
+        return True
+    if _JUNK_ID_JAV.search(t) or _JUNK_HEX_ID.search(t) or _JUNK_CODE_MASH.search(t):
+        return True
+    if _has_cjk(t):
+        return False
+    letters = [c for c in t if "a" <= c.lower() <= "z"]
+    if len(letters) >= 12:
+        vowels = sum(1 for c in letters if c.lower() in "aeiouy")
+        if vowels / len(letters) < 0.22:
+            return True
+    return " " not in t and len(t) >= 20
+
+
 def _parse_post_date(value: str | None) -> date | None:
     if not value:
         return None
@@ -133,6 +174,8 @@ class VjavScraper(BaseBrowseScraper):
         slug = (v.get("dir") or "").strip()
         if not title or not slug:
             return None
+        if _is_junk_title(title):
+            return None
         page_url = f"{_BASE}/videos/{vid}/{slug}/"
         duration_sec = _parse_duration(v.get("duration"))
         release_date = _parse_post_date(v.get("post_date"))
@@ -189,6 +232,29 @@ class VjavScraper(BaseBrowseScraper):
             raw={"source": "vjav_api", "id": vid},
         )
 
+    def latest_scenes(self, *, max_pages: int = 5):
+        """Własna iteracja, bo bazowa przerywa na pierwszej pustej stronie.
+
+        Po wprowadzeniu bramki jakości pusta strona przestała znaczyć „koniec
+        katalogu": strona 1 bywa w 100% śmieciowa (same `0008364_JAV_...`), więc po
+        odsianiu zwraca [], a bazowe `latest_scenes` traktowało to jak wyczerpanie i
+        kończyło CAŁY run — źródło dawało `seen: 0` mimo 39 dobrych scen na stronach
+        2-5. To ta sama pułapka „[] znaczy wyczerpane" co w `_load_ids`.
+
+        Tu wyczerpanie rozstrzyga długość listy id, nie liczba scen po filtrze.
+        """
+        if self._sorted_ids is None:
+            self._load_ids()
+        if not self._sorted_ids:
+            return
+        for page in range(1, max_pages + 1):
+            if (page - 1) * _PER_PAGE >= len(self._sorted_ids):
+                return  # realny koniec katalogu
+            scenes = self.crawl_page(page)
+            if scenes is None:
+                return  # transient fail
+            yield from scenes
+
     def crawl_page(self, page: int) -> list[RawScene] | None:
         if self._sorted_ids is None:
             self._load_ids()