feat: add instagram OCR fallback extraction

[KyungminPark-steck]

✨ 무엇을 바꿨나요?

Instagram 게시글(/p/...)에서 caption-only 장소 추출이 실패했을 때, 게시글 이미지 carousel을 크롤링하고 HF OCR로 이미지 내 텍스트를 추출한 뒤 기존 Qwen/Kakao 파이프라인으로 다시 장소 후보를 추출하도록 fallback 흐름을 추가했습니다.

🔗 관련 이슈

Closes #16

💡 왜 바꿨나요?

일부 Instagram 게시글은 상호명과 주소가 caption이 아니라 이미지 안에 포함되어 있습니다. 기존에는 caption만 content_text로 사용해서 이런 게시글에서 장소 후보가 비거나 직접 검색 fallback에 의존하는 문제가 있었습니다.

📝 주요 변경 사항

• Instagram 게시글 이미지 URL 수집 로직 추가
  • 현재 shortcode의 media JSON payload를 우선 파싱
  • 프로필/추천 썸네일 제외
  • 이미지 수집 timeout, max image count, carousel 순회 제한 설정 추가
• HFOCRClient 추가
  • 기존 Qwen 추출용 HFExtractionClient와 분리
  • OCR 전용 HF 설정이 없으면 기존 HF router endpoint/token 재사용
• JobProcessor에 OCR fallback 연결
  • caption-only Qwen 추출 먼저 실행
  • 결과가 없거나 places가 비어 있으면 Instagram post에 한해 이미지 OCR fallback 실행
  • caption + OCR text augmented content로 Qwen 추출 재실행
  • fallback 사용 시 최종 content_text도 augmented content로 저장
  • raw_metadata.instagram.ocr_fallback에 fallback 실행 정보 기록
• 관련 unit test 및 live opt-in test 추가

👀 리뷰어가 보면 좋은 부분

• JobProcessor._extract_result()의 fallback 조건이 의도대로 좁게 잡혔는지
  • caption-only 추출 실패 시에만 OCR fallback 실행
• Instagram 이미지 수집 로직이 게시글 이미지와 썸네일/추천 이미지를 잘 구분하는지 (해당 url 에 들어가면 그 게시글 이미지만 가져와야 하는데, 다른 추천 게시글의 이미지도 있고, 이걸 안가져오도록 해둠.)
• OCR 모델 기본값(google/gemma-3-27b-it)과 HF router 설정 재사용 방식이 적절한지
• fallback 실행 후 저장되는 content_text와 raw_metadata 구조가 API/DB 관점에서 괜찮은지

🧪 테스트

방식

• 로컬 환경에서 확인
• 운영 환경에서 확인
• 단위 / 통합 테스트
• 해당 없음

메모

• 기본 테스트:

  .\.venv\Scripts\python.exe -m pytest tests/test_config.py tests/test_hf_extraction_client.py tests/test_playwright_service.py tests/test_content_extractors.py tests/test_crawl_analyzer.py tests/test_worker_processor.py tests/test_worker_runner.py tests/test_instagram_ocr_fallback_live.py
  

[1000hyehyang]

오늘 (5/27) 회의한 내용 바탕으로 다시 설계해주세요! (혹시, 설계가 너무 복잡하고 비효율적인 것 같으면 말씀해주세요! 집 돌아와서 생각해보니까 비효율적인 것 같기도 하고..ㅠㅠ 더 좋은 설계, UX가 있으면 공유 부탁드립니다~~)