feat(tags): zdejmij znaczniki jakosci + przytnij ogon tagow rule34video

Znaczniki jakosci (hd, 4k, 720p, HD Videos, wzorzec ^\d{3,4}p$) trafiaja na stoplist
i znikaja z katalogu: 323 379 przypisan, 16 tagow. Powod: apka ma osobny filtr jakosci
liczony ze ZRODEL ODTWARZANIA, ktory jest wiarygodny, a tag jest deklaracja tuba i bywa
falszywy. Dwa rownolegle sygnaly o tym samym, z ktorych jeden klamie, sa gorsze niz jeden.

Ogon rule34video: 356 scen wnosilo 1112 roznych tagow do WSPOLNEJ listy uzywanej przez
caly katalog, z czego 602 wystepowaly dokladnie raz (nazwy postaci i serii, tagowanie
w stylu booru). Nowy job co 24h zostawia tagi z >=3 scen i najwyzej 15 na scene,
uporzadkowane po czestosci w obrebie serwisu.

Wazny szczegol reguly, wychwycony dopiero w symulacji: ochrona tagow wspolnych dotyczy
TYLKO progu, nie limitu. Pierwsza wersja wylaczala tagi wspolne rowniez z limitu i przez
to prawie nie dzialala, rekord spadal 161 -> 147 zamiast do 15, bo najbardziej obsypana
scena skladala sie glownie z tagow wspolnych.

Wynik na produkcji: srednia na scenie rule34video 13,5 -> 9,1, rekord 161 -> 15, zadna
scena nie zostala bez tagow. Usuniete 1554 przypisania i 2475 osieroconych tagow.
VACUUM ANALYZE po obu operacjach.

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

app/config.py

@@ -150,6 +150,11 @@ class Settings(BaseSettings):
     sched_junk_performers_hours: int = Field(
         default=24, validation_alias="GOON_SCHED_JUNK_PERFORMERS_HOURS"
     )
+    # Przycinanie ogona tagow rule34video (tagowanie booru: nazwy postaci/serii).
+    # 356 scen wnosilo 1112 tagow do WSPOLNEJ listy, 602 z nich uzyte raz. 24h. 0 = off.
+    sched_tag_tail_trim_hours: int = Field(
+        default=24, validation_alias="GOON_SCHED_TAG_TAIL_TRIM_HOURS"
+    )
     # Ingest freshness watchdog, alert do Sentry gdy aktywny tube (origin
     # tube:<sitetag>) przestał dawać nowe sceny > próg. Łapie zamrożenie
     # pojedynczego origin, którego globalny monitor (jeden Source "tube-scraper") nie

app/normalize/tag_stoplist.py

@@ -15,15 +15,18 @@ Kryterium wpisu: tag nie zawezaja wyszukiwania, bo pasuje do niemal wszystkiego
 w katalogu ("porn", "sex", "hot"), albo opisuje sposob dystrybucji, a nie tresc
 ("premium", "exclusive", "leaked", "download").
 
-Swiadomie NIE na liscie:
-  - `onlyfans` (71 972 przypisan) - to realny typ tresci, ludzie tego szukaja.
-  - `4k`, `hd`, `720p`, `1080p` (ok. 110 tys.) - niosa jakas informacje, choc
-    niepewna. Apka ma osobny, wiarygodny filtr jakosci liczony ze zrodel odtwarzania,
-    wiec te tagi sa zbedne, ale usuniecie ich to decyzja produktowa, nie sprzatanie
-    smieci. Do przegadania osobno.
+Znaczniki jakosci (`hd`, `4k`, `720p`, `HD Videos`) tez sa na liscie, decyzja z 2026-08-14.
+Powod: apka ma osobny filtr jakosci liczony ze ZRODEL ODTWARZANIA, ktory jest wiarygodny,
+a tag jest deklaracja tuba i bywa falszywy. Dwa rownolegle sygnaly o tym samym, z ktorych
+jeden klamie, sa gorsze niz jeden. Samo `HD Videos` mialo 205 488 przypisan.
+
+Swiadomie NIE na liscie: `onlyfans` (71 972 przypisan). To realny typ tresci, nie chwyt
+marketingowy, ludzie tego szukaja.
 """
 from __future__ import annotations
 
+import re
+
 #: Porownanie po slugu (lowercase, dywizy), bo ta sama rzecz przychodzi jako
 #: "Full HD", "full-hd" i "FullHD".
 JUNK_TAG_SLUGS: frozenset[str] = frozenset(
@@ -65,10 +68,30 @@ JUNK_TAG_SLUGS: frozenset[str] = frozenset(
         "streaming",
         "online",
         "full-video",
+        # znaczniki jakosci, patrz docstring: dubluja filtr liczony ze zrodel i klamia
+        "hd",
+        "hd-porn",
+        "hd-videos",
+        "sd",
+        "fhd",
+        "uhd",
+        "full-hd",
+        "fullhd",
+        "ultra-hd",
+        "high-definition",
+        "hi-res",
+        "4k",
+        "8k",
+        "4k-porn",
     }
 )
 
+#: Rozdzielczosc jako tag: 240p, 480p, 720p, 1080p, 2160p... Wzorzec zamiast wyliczanki,
+#: bo tuby wymyslaja kolejne warianty przy kazdym re-scrape.
+_RESOLUTION_RE = re.compile(r"^\d{3,4}p$")
+
 
 def is_junk_tag(slug: str) -> bool:
     """True dla tagu, ktorego nie chcemy trzymac w katalogu."""
-    return slug.strip().lower() in JUNK_TAG_SLUGS
+    s = slug.strip().lower()
+    return s in JUNK_TAG_SLUGS or bool(_RESOLUTION_RE.match(s))

app/scheduler/jobs.py

@@ -308,6 +308,21 @@ def _job_phash_blacklist() -> None:
         log.exception("[scheduler] phash blacklist failed")
 
 
+def _job_tag_tail_trim() -> None:
+    """Przycina ogon tagow rule34video (booru: nazwy postaci, serii, autorow).
+    356 scen wnosilo 1112 roznych tagow do wspolnej listy, 602 uzyte dokladnie raz.
+    Zostawia tagi z >=3 scen i najwyzej 15 na scene; tagi uzywane takze poza
+    rule34video sa chronione, bo naleza do wspolnego slownika."""
+    log.info("[scheduler] tag tail trim starting")
+    try:
+        from app.scheduler.tag_tail_trim import run
+
+        stats = run()
+        log.info("[scheduler] tag tail trim done: %s", stats)
+    except Exception:
+        log.exception("[scheduler] tag tail trim failed")
+
+
 def _job_junk_performers() -> None:
     """Kasuje kategorie i studia podszywające się pod performerów („Creampie",
     „Natural tits", „Brazzers"). Audyt 2026-07-27: 277 rekordów, 33 784 przypisania.
@@ -550,6 +565,17 @@ def build_scheduler(cfg: dict[str, Any]) -> BlockingScheduler:
             cfg["phash_backfill_minutes"], _batch,
         )
 
+    if cfg.get("tag_tail_trim_hours"):
+        sched.add_job(
+            _job_tag_tail_trim,
+            IntervalTrigger(hours=cfg["tag_tail_trim_hours"], start_date=INTERVAL_ANCHOR),
+            id="tag_tail_trim",
+            replace_existing=True,
+            max_instances=1,
+            coalesce=True,
+        )
+        log.info("scheduler: tag tail trim every %dh", cfg["tag_tail_trim_hours"])
+
     if cfg.get("junk_performers_hours"):
         sched.add_job(
             _job_junk_performers,

app/scheduler/tag_tail_trim.py

@@ -0,0 +1,112 @@
+"""Przycinanie ogona tagow z rule34video (tagowanie w stylu booru).
+
+Skad problem: rule34video taguje jak booru, czyli nazwami postaci, serii i autorow.
+Zmierzone 2026-08-14: **356 scen ma 1112 roznych tagow**, srednio 13,5 na scene, rekord
+161 (zgloszenie uzytkownika o scenie "TEMPTATION - Episode 14"). Z tych 1112 tagow
+**602 wystepuja dokladnie raz**, a 763 najwyzej dwa razy. To sa nazwy wlasne.
+
+Same w sobie nie sa bledne, ludzie ich szukaja, ale 356 scen wrzuca ponad tysiac pozycji
+do WSPOLNEJ listy tagow, ktorej uzywa caly katalog (1,9 mln scen). Stad przyciecie,
+a nie skasowanie zrodla.
+
+Dwie reguly, obie potrzebne (zmierzone osobno):
+  1. **Prog czestosci**: tag musi wystepowac na >=3 scenach rule34video. Sam prog zbija
+     srednia 13,5 -> 10,9 i rekord 161 -> 104, wiec NIE wystarcza.
+  2. **Limit na scene**: najwyzej 15 tagow, zostawiamy najczestsze w obrebie serwisu.
+     Dopiero to domyka rekord.
+
+Ochrona tagow wspolnych dotyczy TYLKO progu, nie limitu, i to jest istotne. Tag uzywany
+takze poza rule34video (np. "Bondage") nalezy do wspolnego slownika, wiec nie kasujemy go
+z powodu niskiej czestosci w obrebie serwisu. Ale limit na scene obejmuje go normalnie:
+scena nie powinna miec 161 tagow niezaleznie od tego, czyje one sa.
+
+Pierwsza wersja tej reguly wylaczala tagi wspolne takze z limitu i przez to prawie nie
+dzialala: rekord spadal 161 -> 147 zamiast do 15, bo najbardziej obsypana scena skladala
+sie glownie z tagow wspolnych.
+
+Uwaga o zbieznosci: limit na scene obniza liczniki tagow, wiec kolejny przebieg moze
+zejsc nieco nizej, zanim sie ustabilizuje. Liczniki bierzemy ze SNAPSHOTU sprzed zmian
+w danym przebiegu, zeby jeden przebieg nie kaskadowal sam na sobie.
+"""
+from __future__ import annotations
+
+import logging
+
+from sqlalchemy import text
+
+from app.db import session_scope
+
+log = logging.getLogger(__name__)
+
+ORIGIN = "tube:rule34video"
+MIN_SCENES_PER_TAG = 3
+MAX_TAGS_PER_SCENE = 15
+
+_SQL = text(
+    """
+WITH r34 AS (
+    SELECT DISTINCT p.scene_id AS id
+    FROM playback_sources p
+    WHERE p.origin = :origin
+),
+-- snapshot licznikow SPRZED zmian w tym przebiegu
+freq AS (
+    SELECT st.tag_id, count(*) AS c
+    FROM scene_tags st JOIN r34 ON r34.id = st.scene_id
+    GROUP BY st.tag_id
+),
+-- tag uzywany takze poza rule34video nalezy do wspolnego slownika, nie ruszamy
+shared AS (
+    SELECT DISTINCT st.tag_id
+    FROM scene_tags st
+    WHERE st.tag_id IN (SELECT tag_id FROM freq)
+      AND st.scene_id NOT IN (SELECT id FROM r34)
+),
+ranked AS (
+    SELECT st.scene_id, st.tag_id, f.c AS cnt,
+           (st.tag_id IN (SELECT tag_id FROM shared)) AS is_shared,
+           row_number() OVER (PARTITION BY st.scene_id ORDER BY f.c DESC, st.tag_id) AS rn
+    FROM scene_tags st
+    JOIN r34 ON r34.id = st.scene_id
+    JOIN freq f ON f.tag_id = st.tag_id
+),
+doomed AS (
+    SELECT scene_id, tag_id FROM ranked
+    -- limit obowiazuje wszystkie tagi; prog tylko te wylacznie rule34video
+    WHERE rn > :max_tags OR (cnt < :min_scenes AND NOT is_shared)
+)
+DELETE FROM scene_tags st
+USING doomed d
+WHERE st.scene_id = d.scene_id AND st.tag_id = d.tag_id
+"""
+)
+
+# Tagi, ktore po przycieciu nie wisza juz nigdzie. Zostawione zasmiecalyby liste tagow
+# mimo zerowej liczby scen.
+_SQL_ORPHANS = text(
+    """
+DELETE FROM tags t
+WHERE NOT EXISTS (SELECT 1 FROM scene_tags st WHERE st.tag_id = t.id)
+  AND NOT EXISTS (SELECT 1 FROM movie_tags mt WHERE mt.tag_id = t.id)
+  AND NOT EXISTS (SELECT 1 FROM blacklisted_tags bt WHERE bt.tag_id = t.id)
+"""
+)
+
+
+def run() -> dict[str, int]:
+    """Przytnij ogon i skasuj osierocone tagi. Zwraca licznik zmian."""
+    with session_scope() as session:
+        removed = session.execute(
+            _SQL,
+            {
+                "origin": ORIGIN,
+                "min_scenes": MIN_SCENES_PER_TAG,
+                "max_tags": MAX_TAGS_PER_SCENE,
+            },
+        ).rowcount
+        orphans = session.execute(_SQL_ORPHANS).rowcount
+        session.commit()
+    log.info(
+        "tag_tail_trim: usunieto %s przypisan, %s osieroconych tagow", removed, orphans
+    )
+    return {"removed": removed or 0, "orphans": orphans or 0}

app/scheduler/worker.py

@@ -224,6 +224,8 @@ def run_forever() -> int:
         # Śmieciowi performerzy, kategorie/studia udające osoby (audyt 2026-07-27).
         # Kryterium wąskie celowo: szerokie kasuje realnych ludzi bez refa w TPDB.
         "junk_performers_hours": getattr(settings, "sched_junk_performers_hours", 24) or None,
+        # Ogon tagow rule34video (nazwy wlasne w stylu booru zalewajace liste tagow).
+        "tag_tail_trim_hours": getattr(settings, "sched_tag_tail_trim_hours", 24) or None,
         # Taxonomy scene_count refresh, denormalizacja liczników (perf fix 0019).
         "taxonomy_counts_hours": getattr(settings, "sched_taxonomy_counts_hours", 3) or None,
         # Ingest freshness watchdog, per-origin alert do Sentry (report 14f3a655).