goon/app/scheduler/junk_performers.py

"""Kasowanie śmieciowych performerów — kategorii i studiów podszywających się pod osoby.

Skąd się biorą: `_search_base` filtruje wyniki tube-searcha warunkiem „slug zawiera
≥1 token z zapytania", a `resolve_performer` tworzy performera z dowolnej nazwy podanej
przez tube. W efekcie „Creampie", „Natural tits", „reverse cowgirl", „69", „Brazzers"
i „Blacked" wylądowały w tabeli `performers`. Audyt 2026-07-27: 277 takich rekordów z
33 784 przypisaniami do scen.

**Kryterium jest wąskie celowo, bo szerokie kasuje ludzi.** Kryterium używane w
`app/api/scenes.py` do de-rankingu (slug pokrywa się z tagiem I brak refa tpdb/stashdb)
daje 3111 trafień, ale przy próbkowaniu okazało się mieć ~60% fałszywek dla nazw
wielowyrazowych: wpadają w nie **Hatano Yui, Davina Raines, Michelle Ferrari, Clanddi,
SolaZola, Kate Kuray**. Powód: założenie „prawdziwy performer ma ref kanoniczny" nie
działa dla JAV, amatorek i debiutantek, których nie ma w TPDB. Do de-rankingu to
wystarcza (fałszywka = gorszy ranking), do kasowania nie.

Rozstrzyga dopiero **promiskuityczność taga**: ile RÓŻNYCH innych performerów pojawia
się na scenach otagowanych tym samym slugiem. Nazwisko współwystępuje głównie ze swoim
właścicielem i partnerami ze sceny, kategoria z całym katalogiem. Zmierzone:

    prawdziwe osoby   Hatano Yui 0, Clanddi 0, Chyna 0, Kwini 2, Katekuray 9,
                      SolaZola 4, Julia Reaves 20  (maksimum 20)
    kategorie         Deepthroat 39541, Creampie 33661, riding 16284, Skinny 9443

Próg 50 leży ponad dwukrotnie powyżej najwyższej prawdziwej osoby. Dodatkowo chronimy
nazwy w formacie „Imię Nazwisko", bo sygnał studia (odrzucony) wciągał marki osobiste.

**Drugie kryterium: tag przytłacza performera.** Promiskuityczność zawodzi dla śmieci,
które mają ref kanoniczny — bo TPDB i StashDB SAME zawierają wpisy „Hardcore", „Blonde",
„Masturbation", „Amateur". Co gorsza, `obcy` mierzy tam popularność, nie śmieciowość:
przy wartości 50-59 stoją Adriana Chechik (4201 scen), Lauren Phillips i Jane Wilde.

Rozstrzyga stosunek `scen z tagiem / scen performera`. Nazwisko-tag siedzi głównie na
scenach swojej właścicielki, więc stosunek jest ułamkiem; kategoria wisi na całym
katalogu, więc idzie w setki:

    Hardcore 1720,6   Masturbation 1570,4   Blonde 770,0   Anal Creampie 31,4
    najwyższy wśród 921 PEWNYCH osób (ref kanoniczny + ≥500 scen): **0,35**

**Próg 2 wynika z zasady, nie z próbki.** Nazwisko użyte jako własny tag daje stosunek
≈1 Z DEFINICJI, bo tag siedzi dokładnie na scenach swojej właścicielki — potwierdzone na
twórcach z własną marką: Hotwifevictoria 1,02, Rossmexicana 0,99, Sexwithmilfstella 0,87.
Wielkie gwiazdy mają jeszcze mniej (tuby tagują tylko część ich scen). Stosunek ≥2
oznacza więc, że słowo jest doklejane do scen, które do tej osoby nie należą.

Wymóg ≥50 scen odcina szum przy małych liczbach (przy 11 scenach „Denzel" wychodził na
161, ale to za mało danych, żeby przesądzać). Przy progu 2 na 78 trafień dwa są
dyskusyjne („Teddy", „Grey" mogą być nazwiskami) — ale i one mają tag rozlany na 3×
więcej scen, niż mają przypisań, więc ich atrybucje i tak są w większości słowne.

Job, nie bramka w `resolve_performer`: kasowanie cyklem nie dotyka gorącej ścieżki
ingestu, a śmieci i tak odrastają wolno. Dotyczy to zwłaszcza tego drugiego kryterium,
bo tamte rekordy odtwarza sam ingest TPDB/StashDB. Ta sama logika co przy
[[phash_blacklist]].
"""
from __future__ import annotations

import logging

from sqlalchemy import text
from sqlalchemy.orm import Session

log = logging.getLogger(__name__)

#: Ponad 2× powyżej najwyższej zmierzonej prawdziwej osoby (Julia Reaves, 20).
DEFAULT_MIN_FOREIGN_PERFORMERS = 50

#: 2× powyżej naturalnej wartości dla nazwiska użytego jako własny tag (≈1).
DEFAULT_MIN_TAG_RATIO = 2
#: Poniżej tego stosunek jest szumem — za mało scen, żeby cokolwiek przesądzać.
DEFAULT_MIN_SCENES_FOR_RATIO = 50

#: Nazwy 1-2 znakowe („A", „L", „Ro", „Js") to artefakty parsowania tytułów, ale
#: kilka to realne krótkie pseudonimy (Cj, PD, JD mają obsadę potwierdzoną w TPDB
#: i StashDB, z prawdziwymi partnerami scenicznymi). Dlatego NIE kasujemy tu
#: performera, tylko przypisania, o których WIEMY, że dokleił je scraper — reszta
#: rozstrzyga się sama: komu nic nie zostanie, ten znika.
MAX_ARTIFACT_NAME_LEN = 2

_SELECT_SQL = """
WITH junk AS (
  SELECT pf.id, pf.canonical_name, pf.slug
  FROM performers pf
  WHERE EXISTS (SELECT 1 FROM tags t WHERE t.slug = pf.slug)
    AND NOT EXISTS (
      SELECT 1 FROM performer_external_refs r JOIN sources s ON s.id = r.source_id
      WHERE r.performer_id = pf.id AND s.kind IN ('tpdb', 'stashdb')
    )
    -- „Imię Nazwisko" zostaje: marki osobiste (Kate Kuray, Julia Reaves) wyglądają
    -- jak studio, ale są osobami.
    AND pf.canonical_name !~ '^[A-Z][a-z]+ [A-Z][a-z]+$'
)
SELECT j.id FROM junk j
WHERE (
  SELECT count(DISTINCT sp.performer_id)
  FROM tags t JOIN scene_tags st ON st.tag_id = t.id
       JOIN scene_performers sp ON sp.scene_id = st.scene_id
  WHERE t.slug = j.slug AND sp.performer_id <> j.id
) >= :min_foreign
"""


_RATIO_SQL = """
SELECT pf.id
FROM performers pf
WHERE EXISTS (SELECT 1 FROM tags t WHERE t.slug = pf.slug)
  AND (SELECT count(*) FROM scene_performers sp WHERE sp.performer_id = pf.id) >= :min_scenes
  AND (SELECT count(*) FROM scene_tags st JOIN tags t ON t.id = st.tag_id WHERE t.slug = pf.slug)::numeric
      / NULLIF((SELECT count(*) FROM scene_performers sp WHERE sp.performer_id = pf.id), 0) >= :min_ratio
"""


def find_junk_performers(
    session: Session,
    *,
    min_foreign: int = DEFAULT_MIN_FOREIGN_PERFORMERS,
    min_ratio: int = DEFAULT_MIN_TAG_RATIO,
    min_scenes: int = DEFAULT_MIN_SCENES_FOR_RATIO,
):
    """Suma dwóch niezależnych kryteriów — pierwsze łapie śmieci bez refa kanonicznego,
    drugie te, które ref mają (bo TPDB/StashDB też zawierają „Hardcore" czy „Blonde")."""
    ids = {r[0] for r in session.execute(text(_SELECT_SQL), {"min_foreign": min_foreign})}
    ids |= {
        r[0]
        for r in session.execute(
            text(_RATIO_SQL), {"min_ratio": min_ratio, "min_scenes": min_scenes}
        )
    }
    return list(ids)


_PRUNE_ARTIFACT_SQL = """
DELETE FROM scene_performers sp
USING sources s, performers p
WHERE p.id = sp.performer_id
  AND length(trim(p.canonical_name)) <= :max_len
  AND s.id = sp.source_id
  AND s.kind = 'scraper'
"""

_DROP_EMPTY_ARTIFACT_SQL = """
DELETE FROM performers p
WHERE length(trim(p.canonical_name)) <= :max_len
  AND NOT EXISTS (SELECT 1 FROM scene_performers sp WHERE sp.performer_id = p.id)
"""


def prune_artifact_name_attributions(
    session: Session, *, max_len: int = MAX_ARTIFACT_NAME_LEN
) -> tuple[int, int]:
    """Zdejmij scraperowe przypisania z nazw 1-2 znakowych i usuń tych, którym nic nie
    zostało. Kanoniczne przypisania zostają nietknięte — patrz MAX_ARTIFACT_NAME_LEN.

    Wymaga wypełnionego `scene_performers.source_id` (migracja 0026): bez provenance nie
    dałoby się odróżnić „Cj" z obsady TPDB od „Cj" wyłuskanego z tytułu przez tube-search.
    Wiersze z NULL-em (sceny wieloźródłowe) zostawiamy — nie zgadujemy."""
    pruned = int(
        session.execute(text(_PRUNE_ARTIFACT_SQL), {"max_len": max_len}).rowcount or 0
    )
    dropped = int(
        session.execute(text(_DROP_EMPTY_ARTIFACT_SQL), {"max_len": max_len}).rowcount or 0
    )
    return pruned, dropped


def run_junk_performer_cleanup(
    *, min_foreign: int = DEFAULT_MIN_FOREIGN_PERFORMERS, commit: bool = True
) -> dict[str, int]:
    """Skasuj śmieciowych performerów. `scene_performers` leci kaskadą — sceny i tagi
    zostają, więc treść nie ginie: „creampie" nadal jest tagiem przy 176 tys. scen,
    tylko przestaje udawać osobę."""
    from app.db import session_scope

    with session_scope() as session:
        ids = find_junk_performers(session, min_foreign=min_foreign)
        deleted = pruned = dropped = 0
        if commit:
            if ids:
                deleted = int(
                    session.execute(
                        text("DELETE FROM performers WHERE id = ANY(:ids)"), {"ids": ids}
                    ).rowcount or 0
                )
            pruned, dropped = prune_artifact_name_attributions(session)
            session.commit()
    log.info(
        "junk performers: znaleziono %d, skasowano %d; nazwy 1-2 znakowe: zdjęto %d "
        "przypisań, usunięto %d pustych",
        len(ids), deleted, pruned, dropped,
    )
    return {"found": len(ids), "deleted": deleted, "pruned": pruned, "dropped": dropped}