fix(movies): nie lacz filmow rozniacych sie numerem serii (The Doctor = 9 filmow)

Zgloszenie 32100b94: "w pierwszym linku jest granny porn". Pod filmem "The Doctor"
siedzialo 55 zrodel z co najmniej 9 roznych filmow pandamovies (Doctor Adventures 14 i
21, Granny's Doctor Games, Pervy Doctor 9, The Doctor Is In 2, We Need a Doctor...).

Przyczyna: tytul porownywany przez `token_set_ratio`, ktore mierzy czesc wspolna, wiec
tytul bedacy podzbiorem drugiego dostaje pelne 100 ("the doctor" vs "the doctor is in
2", "fantasies" vs "dark fantasies 3"). Numerowane serie wychodza na 90-96, tez ponad
progiem auto-merge 0.85. Gdy zrodlo nie ma roku ani studia, o wszystkim decyduje sam
tytul i cala seria zapada sie w jeden wpis: "Her way to use Tinder 61" ma 102 strony,
"Women Seeking Women 56" 87. W bazie 1878 filmow ma >=2 rozne strony z pandamovies.

Dwie zasady oparte na numerze serii (ostatnia liczba w tytule, z pominieciem lat):
* oba tytuly maja numer i sie rozni -> twarde odrzucenie,
* numer ma tylko jedna strona -> tytul najwyzej 0.6, wiec sam nie wystarczy do
  auto-merge, ale ze zgodnym studiem i rokiem trafia do recznego przegladu.
Podzbior bez numerow zostaje bez kary celowo: "cece" vs "watch cece adult" to prawdziwe
lustro z przedrostkiem SEO, dla niego jest token_set.

Sprawdzone na 11 parach z bazy, w tym kontrolnych (lustro SEO bez kary, rok nie liczy
sie jako numer). Dziala tylko w przod; rozdzielenie juz polaczonych to osobna robota.

Osobno `scripts/browse_catchup.py`: jednorazowe nadrobienie N stron jednego browse-
scrapera z pliku. Powstal, bo `docker compose run -d ... python3 -` ze skryptem na
stdin nigdy nie startuje: przy -d stdin nie jest domkniety i python czeka w
nieskonczonosc. Tak "chodzilo" nadrabianie porndoe przez 2 dni bez jednego zapisu.

app/resolve/movie_score.py

@@ -58,6 +58,55 @@ AUTO_THRESHOLD = 0.85
 REVIEW_THRESHOLD = 0.65
 
 
+def _series_number(title_normalized: str) -> int | None:
+    """Ostatnia samodzielna liczba w tytule, z pominieciem lat (1900-2099).
+
+    "her way to use tinder 61" -> 61, "the doctor is in 2" -> 2, "the doctor" -> None,
+    "cece 2019" -> None (rok to nie numer odcinka).
+    """
+    liczby = [
+        int(t)
+        for t in title_normalized.split()
+        if t.isdigit() and not 1900 <= int(t) <= 2099
+    ]
+    return liczby[-1] if liczby else None
+
+
+# Tyle najwyzej dostaje tytul, gdy numer serii ma tylko jedna strona. Ponizej progu
+# auto-merge, zeby sam tytul nie decydowal, ale dosc, zeby ze zgodnym studiem i rokiem
+# trafic do recznego przegladu zamiast od razu odpadac.
+_ONE_SIDED_NUMBER_CAP = 0.6
+
+
+def _title_signal(cand_title: str, inc_title: str) -> tuple[float, bool, dict]:
+    """(ocena tytulu 0..1, twarde odrzucenie, powody).
+
+    `token_set_ratio` mierzy czesc wspolna, wiec tytul bedacy podzbiorem drugiego dostaje
+    pelne 100: "the doctor" vs "the doctor is in 2", "fantasies" vs "dark fantasies 3".
+    Numerowane serie wychodza na 90-96%, tez ponad progiem auto-merge. Gdy zrodlo nie ma
+    roku ani studia (lustra dooplay czesto nie maja), o wszystkim decyduje sam tytul i
+    cala seria zapada sie w jeden wpis. Zgloszenie 32100b94 (2026-08-30): pod "The Doctor"
+    siedzialo 9 roznych filmow z pandamovies, w tym granny porn; w bazie 1878 filmow ma
+    co najmniej dwie rozne strony z pandamovies, a jedna to norma.
+
+    Zasady, obie oparte na numerze serii (ostatnia liczba w tytule, bez lat):
+    * oba tytuly maja numer i sie rozni -> twarde odrzucenie (to inny odcinek),
+    * numer ma tylko jedna strona -> tytul najwyzej 0.6 (inne wydanie, nie lustro).
+    Sam podzbior bez numerow zostaje bez kary celowo: "cece" vs "watch cece adult" to
+    prawdziwe lustro z przedrostkiem SEO i to wlasnie dla niego jest token_set.
+    """
+    ocena = fuzz.token_set_ratio(cand_title, inc_title) / 100.0
+    powody: dict = {}
+    n_c, n_i = _series_number(cand_title), _series_number(inc_title)
+    if n_c is not None and n_i is not None and n_c != n_i:
+        powody["series_number_mismatch_reject"] = [n_c, n_i]
+        return ocena, True, powody
+    if (n_c is None) != (n_i is None):
+        powody["series_number_one_sided_cap"] = n_c if n_c is not None else n_i
+        return min(ocena, _ONE_SIDED_NUMBER_CAP), False, powody
+    return ocena, False, powody
+
+
 def score_movie_candidate(
     session: Session,
     *,
@@ -71,10 +120,12 @@ def score_movie_candidate(
     breakdown = MovieScoreBreakdown(reasons={})
 
     # Title (always)
+    series_reject = False
     if candidate.title_normalized and norm_title_normalized:
-        breakdown.title = fuzz.token_set_ratio(
+        breakdown.title, series_reject, powody = _title_signal(
             candidate.title_normalized, norm_title_normalized
-        ) / 100.0
+        )
+        breakdown.reasons.update(powody)
 
     # Year, exact lub ±1 = wysoka, ±2 = średnia
     if candidate.release_year is not None and norm_release_year is not None:
@@ -141,6 +192,11 @@ def score_movie_candidate(
         breakdown.reasons["studio_year_mismatch_reject"] = True
         score = 0.0
 
+    # Hard reject: rozne numery serii. Bez tego "Her way to use Tinder 61" wchlaniala
+    # "... Tinder 60" (token_set 96%), az pod jednym tytulem siedzialy 102 strony.
+    if series_reject:
+        score = 0.0
+
     breakdown.composite = max(0.0, min(1.0, score))
     breakdown.reasons["weights"] = norm_w
     breakdown.reasons["sub_scores"] = available

scripts/browse_catchup.py

@@ -0,0 +1,60 @@
+"""Jednorazowe nadrobienie zaleglosci jednego browse-scrapera (wiecej stron niz w cyklu).
+
+Po co: gdy tub byl przez jakis czas nieosiagalny (porndoe: 10 dni HTTP 403 na IP
+serwerowni, 2026-08-21..31), regularny cykl browse-latest bierze tylko 5 stron i nie
+dosiegnie tego, co sie nazbieralo. Ten skrypt robi jeden przebieg na N stron dla
+JEDNEGO sitetagu, tym samym kodem co scheduler (`_ingest_iter_into_run`), wiec wynik
+laduje w tych samych tabelach i liczy sie tak samo.
+
+PULAPKA, przez ktora ten plik powstal: `docker compose run -d ... python3 -u -` ze
+skryptem podanym przez heredoc na stdin NIE DZIALA. Przy `-d` stdin nie jest domkniety,
+wiec python czeka na wejscie w nieskonczonosc: kontener "Up 2 days", zero logu, zero
+zapisow, a z zewnatrz wyglada jak dlugie zadanie. Odpalaj skrypty z pliku, po sciezce.
+
+Uzycie (osobny kontener, restart workera go nie ubija):
+    docker compose run -d --rm --name goon-catchup-porndoe worker \
+        python3 -u /srv/scripts/browse_catchup.py --sitetag porndoecom --pages 14
+"""
+from __future__ import annotations
+
+import argparse
+import logging
+import sys
+
+from app.connectors.base import SourceKind
+from app.connectors.direct_scrapers import ALL_BROWSE_SCRAPERS
+from app.scheduler.browse_latest import SCRAPER_SOURCE_NAME, _ingest_iter_into_run
+
+log = logging.getLogger("browse-catchup")
+
+
+def main(argv: list[str] | None = None) -> int:
+    p = argparse.ArgumentParser()
+    p.add_argument("--sitetag", required=True, help="np. porndoecom")
+    p.add_argument("--pages", type=int, default=10)
+    a = p.parse_args(argv)
+
+    logging.basicConfig(
+        level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s", stream=sys.stdout
+    )
+    for noisy in ("httpx", "httpcore", "urllib3", "curl_cffi"):
+        logging.getLogger(noisy).setLevel(logging.WARNING)
+
+    klasa = next((c for c in ALL_BROWSE_SCRAPERS if c.sitetag == a.sitetag), None)
+    if klasa is None:
+        log.error("nie ma browse-scrapera o sitetag=%s", a.sitetag)
+        return 2
+    scraper = klasa()
+    log.info("catchup %s: %d stron", a.sitetag, a.pages)
+    c = _ingest_iter_into_run(
+        source_kind=SourceKind.scraper,
+        source_name=SCRAPER_SOURCE_NAME,
+        run_label=f"browse-catchup:{a.sitetag}",
+        iterator_factory=lambda: scraper.latest_scenes(max_pages=a.pages),
+    )
+    log.info("KONIEC catchup %s: %s", a.sitetag, c)
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())