From 582dc3cf66dc6d2870ac3e4c9c554542c298fda9 Mon Sep 17 00:00:00 2001
From: kpa39l <kpa39l@nixg.ru>
Date: Tue, 15 Sep 2026 18:53:57 +0000
Subject: [PATCH] =?UTF-8?q?rss-formatting-preserve:=20=D1=81=D0=BE=D1=85?=
 =?UTF-8?q?=D1=80=D0=B0=D0=BD=D1=8F=D1=82=D1=8C=20=D0=B0=D0=B1=D0=B7=D0=B0?=
 =?UTF-8?q?=D1=86=D1=8B=20=D0=B8=20=D1=80=D0=B0=D0=B7=D0=BC=D0=B5=D1=82?=
 =?UTF-8?q?=D0=BA=D1=83=20=D0=B8=D0=B7=20RSS=20(html=5Fto=5Ftext/extract?=
 =?UTF-8?q?=5Ffull=5Ftext=20normalize;=20safe=5Fhtml=20bleach=20=D0=B4?=
 =?UTF-8?q?=D0=BB=D1=8F=20=D0=BF=D1=80=D0=B5=D0=B4=D0=BF=D1=80=D0=BE=D1=81?=
 =?UTF-8?q?=D0=BC=D0=BE=D1=82=D1=80=D0=B0;=20=D0=BF=D0=B5=D1=80=D0=B5?=
 =?UTF-8?q?=D1=81=D0=B1=D0=BE=D1=80=D0=BA=D0=B0=20=D1=81=D1=82=D0=B0=D1=80?=
 =?UTF-8?q?=D1=8B=D1=85=20=D0=BF=D0=BE=D1=81=D1=82=D0=BE=D0=B2)?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 STATUS.md                                     |   5 +-
 crawler/rss_crawler.py                        | 362 ++++++++++++++++++
 .../rss-formatting-preserve/.openspec.yaml    |   3 +
 .../changes/rss-formatting-preserve/design.md |  58 +++
 .../rss-formatting-preserve/proposal.md       |  27 ++
 .../changes/rss-formatting-preserve/tasks.md  |  18 +
 requirements.txt                              |   3 +
 web/app.py                                    |  43 +++
 web/templates/base.html                       |   2 +-
 web/templates/candidates.html                 |   2 +-
 web/templates/selected.html                   |   2 +-
 11 files changed, 521 insertions(+), 4 deletions(-)
 create mode 100644 crawler/rss_crawler.py
 create mode 100644 openspec/changes/rss-formatting-preserve/.openspec.yaml
 create mode 100644 openspec/changes/rss-formatting-preserve/design.md
 create mode 100644 openspec/changes/rss-formatting-preserve/proposal.md
 create mode 100644 openspec/changes/rss-formatting-preserve/tasks.md

diff --git a/STATUS.md b/STATUS.md
index b35b5ab..1334d8f 100644
--- a/STATUS.md
+++ b/STATUS.md
@@ -1,8 +1,11 @@
 # VESTI — Статус
 
-Обновлено: 2026-09-15 (отбор без ухода со страницы + layout отобранных на всю высоту)
+Обновлено: 2026-09-15 (RSS: сохранение абзацев/разметки в текстах новостей)
 <!--
   История обновлений:
+  2026-09-15 — rss-formatting-preserve: html_to_text/extract_full_text сохраняют абзацы (\n\n);
+               safe_html (bleach) для предпросмотра RSS-текстов; пересобраны старые посты
+               (omarchy 25/25, bleepingcomputer 16/16); lwn частично (403/429 — при след. крауле)
   2026-09-15 — change selected-layout-stay: «⭐ Отобрать» (single+bulk) больше не уводит на /selected — редирект на /candidates с сохранением группировки/фильтров (post_select → src="candidates", bulk select → back). Отобранные: панели на всю высоту окна (calc(100vh - 160px) вместо 82vh), резюме — отдельным блоком сразу под кнопками «Обработать моделью», редактор «Мой пост» + оригинал растянуты на всю оставшуюся высоту, комментарий + «Опубликовать»/«Сохранить комментарий» — в самом низу (border-top). Пустое место внизу убрано.
   2026-09-14 — кандидаты: после reject/approve/comment/reclassify/rewrite сохраняется group_by и фильтры (скрытые поля форм + _cand_back); ?status=rejected больше не даёт пустой список (жёсткое status='new' только по умолчанию)
   2026-09-14 — кандидаты: в списке только внешние new-посты (is_own=0 AND status='new' в _fetch_candidates); свои посты канала (is_own=1) и published/rejected больше не показываются как кандидаты
diff --git a/crawler/rss_crawler.py b/crawler/rss_crawler.py
new file mode 100644
index 0000000..0742a82
--- /dev/null
+++ b/crawler/rss_crawler.py
@@ -0,0 +1,362 @@
+# VESTI — RSS/Atom-краулер (feedparser + httpx).
+# Читает источники из sources.yaml (crawler: rss), условные GET (etag/modified),
+# нормализует URL (UTM/якоря), дотягивает полный текст (trafilatura) для summary-only,
+# пишет посты в posts (sha256-дедуп) и состояние ленты в rss_state.
+#
+# Запуск:
+#   python -m crawler.rss_crawler --all            # все включённые rss-источники
+#   python -m crawler.rss_crawler --direction linux
+#   python -m crawler.rss_crawler --source lwn
+#   python -m crawler.rss_crawler --source lwn --dry-run   # печать без записи в БД
+import argparse
+import hashlib
+import html as html_mod
+import logging
+import re
+import sys
+import time
+from pathlib import Path
+from urllib.parse import parse_qsl, urlencode, urlparse, urlunparse
+
+sys.path.insert(0, str(Path(__file__).resolve().parent.parent))
+
+from config import RSS_DEFAULT_TIMEOUT, RSS_USER_AGENT, ensure_dirs
+from db.db import db
+from sources.sources import (
+    get_enabled_sources, get_source, load_sources_yaml, sync_sources_to_db,
+    start_run, finish_run,
+)
+
+logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s %(name)s %(message)s")
+log = logging.getLogger("vesti.rss")
+
+MAX_ITEMS = 25          # максимум записей ленты за запуск (остальные — следующими запусками)
+RATE_LIMIT_SEC = 1.5    # пауза между источниками (вежливый опрос)
+MIN_SUMMARY_LEN = 220   # если выжимка короче — пробуем дотянуть полный текст
+ERROR_DEAD_THRESHOLD = 5  # N ошибок подряд → status='dead' (фид-здоровье)
+
+# Параметры запроса, которые режут из URL (трекинг/мусор)
+UTM_PARAMS = {
+    "utm_source", "utm_medium", "utm_campaign", "utm_term", "utm_content",
+    "fbclid", "gclid", "ref", "ref_src", "mc_cid", "mc_eid",
+}
+
+
+def normalize_url(url):
+    """Чистит URL от UTM-параметров, fbclid/gclid/ref и якоря -> canonical_url.
+
+    Возвращает None для мусорных ссылок (без схемы/хоста).
+    """
+    if not url:
+        return None
+    url = url.strip()
+    if not url.startswith(("http://", "https://")):
+        return None
+    u = urlparse(url)
+    if not u.netloc:
+        return None
+    q = [(k, v) for k, v in parse_qsl(u.query, keep_blank_values=True)
+         if k.lower() not in UTM_PARAMS]
+    return urlunparse(u._replace(query=urlencode(q), fragment=""))
+
+
+def sha256_text(text: str) -> str:
+    return hashlib.sha256((text or "").encode("utf-8", "ignore")).hexdigest()
+
+
+# Блочные теги, вокруг которых сохраняем переносы (абзацы/списки/заголовки/цитаты)
+_BLOCK_TAGS = [
+    "p", "div", "li", "h1", "h2", "h3", "h4", "h5", "h6",
+    "blockquote", "pre", "tr", "section", "article",
+]
+
+# Нормализация текста: сохраняем структуру абзацев (\n\n), убираем мусор.
+# НЕ схлопываем всё в одну строку — иначе новость в предпросмотре — сплошной текст.
+def normalize_text(text):
+    """Чистит текст: пробелы по краям строк, 3+ переноса → 2, без изменения слов."""
+    if not text:
+        return ""
+    text = text.replace("\r\n", "\n").replace("\r", "\n")
+    text = re.sub(r"[ \t]+\n", "\n", text)      # пробелы перед концом строки
+    text = re.sub(r"\n[ \t]+", "\n", text)      # пробелы после начала строки
+    text = re.sub(r"\n{3,}", "\n\n", text)      # не больше одной пустой строки
+    # пробелы по краям каждой строки
+    text = "\n".join(l.strip() for l in text.split("\n"))
+    text = re.sub(r"\n{3,}", "\n\n", text)
+    return text.strip()
+
+
+def html_to_text(html_str):
+    """Раскрывает HTML (из ленты) в читаемый text с сохранением абзацев/списков.
+
+    HTML-теги разметки (b/i/a/...) вырезаются, их содержимое остаётся текстом;
+    блочные теги (p/li/h1-6/blockquote/pre) дают переносы строк, чтобы текст
+    не превращался в сплошную кашу.
+    """
+    from selectolax.parser import HTMLParser
+    if not html_str:
+        return ""
+    try:
+        tree = HTMLParser(html_str)
+        tree.strip_tags(["script", "style", "noscript"])
+        if tree.body is None:
+            return ""
+        for node in tree.css(", ".join(_BLOCK_TAGS)):
+            node.insert_before("\n\n")
+        text = tree.body.text()
+        return normalize_text(text)
+    except Exception as e:
+        log.debug("html_to_text failed: %s", e)
+        return re.sub(r"<[^>]+>", " ", html_mod.unescape(html_str)).strip()
+
+
+def extract_full_text(url, timeout=15):
+    """Полный текст страницы через trafilatura. Возвращает str или None (не падает)."""
+    import httpx
+    try:
+        r = httpx.get(url, headers={"User-Agent": RSS_USER_AGENT},
+                      timeout=timeout, follow_redirects=True)
+        if r.status_code != 200:
+            return None
+        import trafilatura
+        txt = trafilatura.extract(
+            r.text,
+            include_comments=False,
+            include_tables=False,
+            favor_precision=True,
+            # include_formatting=True сохраняет абзацы (\\n\\n) — иначе текст
+            # схлопывается в сплошную строку и новость нечитаема
+            include_formatting=True,
+        )
+        return (txt or "").strip() or None
+    except Exception as e:
+        log.debug("full text %s failed: %s", url, e)
+        return None
+
+
+def entry_published_at(entry):
+    """published_parsed/updated_parsed -> ISO-строка; None если нет даты."""
+    for key in ("published_parsed", "updated_parsed"):
+        st = getattr(entry, key, None)
+        if st:
+            try:
+                import datetime
+                return datetime.datetime(*st[:6], tzinfo=datetime.timezone.utc).isoformat()
+            except Exception:
+                return None
+    return None
+
+
+def parse_entries(feed, source, dry_run=False):
+    """Превращает записи ленты feedparser в список dict постов.
+
+    returns (posts, last_build_date)
+    """
+    posts = []
+    for entry in feed.entries[:MAX_ITEMS]:
+        link = getattr(entry, "link", None) or ""
+        canonical = normalize_url(link)
+        if not canonical:
+            continue
+        title = getattr(entry, "title", "") or ""
+        # полный текст из ленты (content[].value), иначе summary
+        content_parts = [c.get("value", "") for c in (getattr(entry, "content", None) or [])]
+        raw_html = content_parts[0] if content_parts else ""
+        summary_html = getattr(entry, "summary", "") or ""
+        text = html_to_text(raw_html or summary_html)
+        # summary-only лента: пробуем дотянуть полный текст
+        if (not raw_html or len(text) < MIN_SUMMARY_LEN) and canonical:
+            full = extract_full_text(canonical)
+            if full:
+                text = full
+        if not text:
+            text = title  # последний рубеж: заголовок
+        text = normalize_text(text)
+        posts.append({
+            "url": canonical,
+            "title": title,
+            "text": text,
+            "published_at": entry_published_at(entry),
+            "author": getattr(entry, "author", None) or None,
+        })
+    last_build = None
+    fb = getattr(feed, "last_build_date_parsed", None) or getattr(feed, "published_parsed", None)
+    if fb:
+        try:
+            import datetime
+            last_build = datetime.datetime(*fb[:6], tzinfo=datetime.timezone.utc).isoformat()
+        except Exception:
+            last_build = None
+    return posts, last_build
+
+
+def store_rss_posts(conn, source_id, posts):
+    """Вставка RSS-постов в posts с дедупом по sha256(text) и url.
+
+    Возвращает количество НОВЫХ. Повторная вставка той же статьи (даже с другим
+    URL в ленте) не создаёт второй строки — sha256 от текста.
+    """
+    new = 0
+    for p in posts:
+        sha = sha256_text(p["text"])
+        dup = conn.execute(
+            "SELECT id FROM posts WHERE sha256=? OR url=?",
+            (sha, p["url"]),
+        ).fetchone()
+        if dup:
+            continue
+        conn.execute(
+            """INSERT INTO posts
+               (sha256, source_id, url, text, content_type, published_at, status, is_own, is_own_canonical)
+               VALUES (?,?,?,?, 'text', ?, 'new', 0, 0)""",
+            (sha, source_id, p["url"], p["text"], p["published_at"]),
+        )
+        new += 1
+    return new
+
+
+def run_source(source, dry_run=False):
+    """Краулинг одного RSS-источника: условный GET, парсинг, запись, состояние."""
+    slug = source["slug"]
+    feed_url = source.get("feed_url")
+    if not feed_url:
+        log.error("SKIP %s: нет feed_url (crawler=rss, а лента не задана)", slug)
+        return
+    run_id = start_run(source["id"], f"rss:{slug}", "cron")
+    t0 = time.monotonic()
+
+    try:
+        import httpx
+        # --- состояние ленты ---
+        with db() as conn:
+            st = conn.execute("SELECT * FROM rss_state WHERE slug=?", (slug,)).fetchone()
+        state = dict(st) if st else {}
+
+        headers = {"User-Agent": RSS_USER_AGENT, "Accept": "application/rss+xml, application/atom+xml, application/xml;q=0.9, */*;q=0.8"}
+        if state.get("etag"):
+            headers["If-None-Match"] = state["etag"]
+        if state.get("modified"):
+            headers["If-Modified-Since"] = state["modified"]
+
+        resp = httpx.get(feed_url, headers=headers, timeout=RSS_DEFAULT_TIMEOUT,
+                         follow_redirects=True)
+        # вежливый ретрай на 429/503 (LWN троттлит частые опросы)
+        for attempt in range(3):
+            if resp.status_code in (429, 503):
+                retry_after = 0
+                ra = resp.headers.get("retry-after")
+                if ra:
+                    try: retry_after = int(ra)
+                    except ValueError: retry_after = 10
+                wait = max(retry_after, 5 * (attempt + 1))
+                log.warning("%s: HTTP %d, retry %d/3 через %ds", slug, resp.status_code, attempt + 1, wait)
+                time.sleep(wait)
+                resp = httpx.get(feed_url, headers=headers, timeout=RSS_DEFAULT_TIMEOUT,
+                                 follow_redirects=True)
+            else:
+                break
+        if resp.status_code == 304:
+            # лента не менялась — экономим (0 fetched/0 new, ok)
+            duration = int((time.monotonic() - t0) * 1000)
+            if not dry_run:
+                finish_run(run_id, "ok", 0, 0, None, duration)
+            log.info("OK %s: 304 (не менялась), %dms", slug, duration)
+            return
+
+        if resp.status_code != 200:
+            raise RuntimeError(f"HTTP {resp.status_code} for {feed_url}")
+
+        import feedparser
+        feed = feedparser.parse(resp.content, response_headers=resp.headers)
+
+        if getattr(feed, "bozo", False) and not feed.entries:
+            raise RuntimeError(f"bozo feed (не парсится): {getattr(feed, 'bozo_exception', '')}")
+
+        posts, last_build = parse_entries(feed, source, dry_run)
+
+        if dry_run:
+            print(f"=== {slug} ({source['name']}) — dry_run, {len(posts)} записей ===")
+            for p in posts:
+                print(f"  - {p['published_at'] or '????'} | {p['title'][:80]}")
+                print(f"    {p['url']}")
+            return
+
+        with db() as conn:
+            new = store_rss_posts(conn, source["id"], posts)
+            new_etag = (resp.headers.get("etag") or "").strip()
+            new_modified = (resp.headers.get("last-modified") or "").strip()
+            conn.execute(
+                """INSERT INTO rss_state (slug, etag, modified, last_build_date, last_error, error_count, status, updated_at)
+                   VALUES (?,?,?,?, NULL, 0, 'alive', datetime('now'))
+                   ON CONFLICT(slug) DO UPDATE SET
+                     etag=excluded.etag, modified=excluded.modified,
+                     last_build_date=excluded.last_build_date,
+                     last_error=NULL, error_count=0, status='alive',
+                     updated_at=datetime('now')""",
+                (slug, new_etag or state.get("etag"), new_modified or state.get("modified"), last_build),
+            )
+            conn.execute(
+                "UPDATE sources SET last_fetch=datetime('now'), status='alive', last_error=NULL WHERE id=?",
+                (source["id"],),
+            )
+        duration = int((time.monotonic() - t0) * 1000)
+        finish_run(run_id, "ok", len(posts), new, None, duration)
+        log.info("OK %s: fetched=%d new=%d (%.1fs)", slug, len(posts), new, duration / 1000)
+
+    except Exception as e:
+        duration = int((time.monotonic() - t0) * 1000)
+        if not dry_run:
+            with db() as conn:
+                st = conn.execute("SELECT error_count FROM rss_state WHERE slug=?", (slug,)).fetchone()
+                err_count = (st[0] if st else 0) + 1
+                status = "dead" if err_count >= ERROR_DEAD_THRESHOLD else "alive"
+                conn.execute(
+                    """INSERT INTO rss_state (slug, last_error, error_count, status, updated_at)
+                       VALUES (?,?,?,?, datetime('now'))
+                       ON CONFLICT(slug) DO UPDATE SET
+                         last_error=excluded.last_error, error_count=excluded.error_count,
+                         status=excluded.status, updated_at=datetime('now')""",
+                    (slug, str(e)[:500], err_count, status),
+                )
+                conn.execute(
+                    "UPDATE sources SET last_error=?, status=? WHERE id=?",
+                    (str(e)[:500], status, source["id"]),
+                )
+            finish_run(run_id, "error", 0, 0, str(e)[:500], duration)
+        log.error("ERROR %s: %s", slug, e)
+
+
+def main():
+    ap = argparse.ArgumentParser(description="VESTI RSS/Atom crawler")
+    ap.add_argument("--source", help="slug источника (например lwn)")
+    ap.add_argument("--direction", help="направление (например linux)")
+    ap.add_argument("--all", action="store_true", help="все включённые rss-источники")
+    ap.add_argument("--dry-run", action="store_true", help="печать записей без записи в БД")
+    args = ap.parse_args()
+
+    ensure_dirs()
+    data = load_sources_yaml()
+    sync_sources_to_db(data)
+
+    if args.source:
+        src = get_source(args.source)
+        if not src:
+            log.error("source %s not found", args.source)
+            sys.exit(1)
+        sources = [src]
+    elif args.direction:
+        sources = get_enabled_sources(crawler="rss", direction=args.direction)
+    else:
+        sources = get_enabled_sources(crawler="rss")
+
+    if not sources:
+        log.info("no rss sources to crawl")
+        return
+
+    for src in sources:
+        run_source(src, dry_run=args.dry_run)
+        time.sleep(RATE_LIMIT_SEC)
+
+
+if __name__ == "__main__":
+    main()
\ No newline at end of file
diff --git a/openspec/changes/rss-formatting-preserve/.openspec.yaml b/openspec/changes/rss-formatting-preserve/.openspec.yaml
new file mode 100644
index 0000000..0c54ffb
--- /dev/null
+++ b/openspec/changes/rss-formatting-preserve/.openspec.yaml
@@ -0,0 +1,3 @@
+schema: spec-driven
+skip_specs: true
+created: 2026-09-15
\ No newline at end of file
diff --git a/openspec/changes/rss-formatting-preserve/design.md b/openspec/changes/rss-formatting-preserve/design.md
new file mode 100644
index 0000000..0a45eec
--- /dev/null
+++ b/openspec/changes/rss-formatting-preserve/design.md
@@ -0,0 +1,58 @@
+# rss-formatting-preserve: сохранять форматирование RSS-новостей (абзацы, разметка)
+
+## Why
+
+Пользователь: в RSS omarchy внутри текста новости есть HTML-символы, а мы их «выкидываем»
+из текста, из-за чего вся новость в предпросмотре отображается сплошным текстом, ничего
+не понять. Нужно при скачивании из источников RSS сохранять заложенное форматирование.
+
+Разбор:
+- `html_to_text()` (crawler/rss_crawler.py) режет HTML корректно, но без разделителей
+  между блочными элементами (p/li/h1-6/blockquote) — абзацы/списки сливаются в один кусок.
+- После этого `re.sub(r"\s+", " ", text)` (стр. 143) схлопывает и переносы строк —
+  даже если бы были `\n\n`, они превращаются в один пробел. Итог: «сплошной текст».
+- В вебе `md_filter` (web/app.py) вызывается на `text` из RSS — синтаксис HTML (b/i/a)
+  экранируется и виден как текст-каша, а markdown-разметки в RSS-тексте нет.
+
+## Design
+
+### 1. Краулер: сохранять структуру абзацев
+
+`html_to_text()`:
+- после удаления script/style/noscript — вставлять переносы-разделители вокруг блочных
+  тегов (p, div, li, h1–h6, blockquote, pre, tr), чтобы они давали `\n\n` между абзацами
+  и `\n` внутри list-item.
+- текст по-прежнему plain (в БД хранится текст, а не HTML) — просто читаемая структура.
+
+`parse_entries()` (стр. 143): заменить `re.sub(r"\s+", " ", text)` на нормализацию:
+- схлопывать 3+ переноса до 2 (максимум пустая строка между абзацами);
+- убирать горизонтальные пробелы в начале/конце строк и перед переносами;
+- пробелы внутри строки НЕ трогать (сохраняются слова/URL).
+
+### 2. Веб: безопасный рендер HTML-разметки из RSS
+
+Исходный текст поста (RSS) в предпросмотре (кандидаты, отобранные) — рендерить как
+безопасный HTML подмножеством тегов, а не экранировать в тёмную кашу:
+
+- новый фильтр `safe_html` в web/app.py на основе `bleach`:
+  `bleach.clean(text, tags=ALLOWED, attributes={'a': ['href', 'title']},
+                protocols=['http','https'])` + `bleach.linkify`;
+- применяется ТОЛЬКО к `text` (оригинал из RSS) в candidates.html и selected.html;
+- markdown-фильтр (`md_filter`) остаётся для пересказов/комментариев (markdown от модели).
+
+Публикация (publisher/card.py) не меняется: в канал уходит plain text, абзацы `\n\n`
+будут сохранены — Telegram корректно отобразит переносы.
+
+### Безопасность
+
+- `safe_html` — allowlist-санитайзер (bleach): никаких script/style/iframe/on*, href
+  только http(s), linkify распознаёт ссылки. XSS-поверхности нет.
+- `md_filter` не меняется (остаётся escape→markdown).
+
+## Files
+
+- crawler/rss_crawler.py — html_to_text(), parse_entries() (абзацы, нормализация).
+- web/app.py — фильтр safe_html (bleach).
+- web/templates/candidates.html — `{{ selected.text | safe_html }}`.
+- web/templates/selected.html — `{{ selected.text | safe_html }}`.
+- requirements.txt — +bleach.
\ No newline at end of file
diff --git a/openspec/changes/rss-formatting-preserve/proposal.md b/openspec/changes/rss-formatting-preserve/proposal.md
new file mode 100644
index 0000000..4109525
--- /dev/null
+++ b/openspec/changes/rss-formatting-preserve/proposal.md
@@ -0,0 +1,27 @@
+# rss-formatting-preserve
+
+Сохранять форматирование RSS-новостей (абзацы, разметка) при скачивании и в предпросмотре.
+
+## Why
+
+Пользователь: в RSS omarchy внутри текста новости есть HTML-символы, мы их выкидываем
+из текста, поэтому вся новость в предпросмотре — сплошной текст, ничего не понять.
+Нужно при скачивании из RSS сохранять заложенное форматирование.
+
+## What Changes
+
+- **crawler/rss_crawler.py**: html_to_text() вставляет переносы вокруг блочных тегов
+  (p/li/h1-6/blockquote/pre), чтобы абзацы и списки сохранялись; parse_entries() больше
+  не схлопывает все пробелы в один — нормализует: 3+ переноса → 2, пробелы по краям
+  строк убираются, внутренние сохраняются.
+- **web/app.py**: новый фильтр `safe_html` (bleach.clean allowlist + linkify) для
+  безопасного рендера HTML-разметки исходных RSS-текстов в предпросмотре.
+- **web/templates/candidates.html / selected.html**: `| safe_html` для `selected.text`.
+- **requirements.txt**: +bleach.
+
+## Impact
+
+- Тексты в БД: появляются абзацы (\n\n), форматирование сохраняется читаемым.
+- Предпросмотр кандидатов/отобранных: разметка (b/i/a/списки) рендерится безопасно.
+- Markdown-пересказы (rewritten_text) и комментарии не задеваются — md_filter без изменений.
+- Публикация (card.py) — plain text, абзацы \n\n дойдут в Telegram.
\ No newline at end of file
diff --git a/openspec/changes/rss-formatting-preserve/tasks.md b/openspec/changes/rss-formatting-preserve/tasks.md
new file mode 100644
index 0000000..fe95b9c
--- /dev/null
+++ b/openspec/changes/rss-formatting-preserve/tasks.md
@@ -0,0 +1,18 @@
+# rss-formatting-preserve
+
+## Problem
+
+Тексты из RSS (omarchy и др.) в предпросмотре — сплошной текст: абзацы/списки/разметка
+теряются. При скачивании нужно сохранять заложенное форматирование.
+
+## Tasks
+
+- [x] rss_crawler.py: html_to_text() — разделители между блочными тегами (p/li/h1-6/blockquote/pre)
+- [x] rss_crawler.py: parse_entries() — не схлопывать все пробелы `\s+`; normalize_text (3+ переноса → 2, пробелы по краям строк убрать, внутренние сохранить)
+- [x] rss_crawler.py: extract_full_text() — include_formatting=True (trafilatura) для сохранения абзацев
+- [x] web/app.py: фильтр `safe_html` (bleach.clean allowlist + linkify); md_filter не тронут
+- [x] web/templates/candidates.html: `selected.text | safe_html` вместо `| markdown`
+- [x] web/templates/selected.html: `selected.text | safe_html` вместо `| markdown`
+- [x] requirements.txt: +bleach (установлен в venv)
+- [x] Пересборка старых RSS-постов: 47 обновлено с абзацами (omarchy 25/25, bleepingcomputer 16/16; lwn 12 — 403/429, будут при следующем крауле)
+- [x] STATUS.md актуализирован; validate; commit
\ No newline at end of file
diff --git a/requirements.txt b/requirements.txt
index 4b0ff56..5428060 100644
--- a/requirements.txt
+++ b/requirements.txt
@@ -12,3 +12,6 @@ aiosqlite>=0.20
 PySocks>=1.7
 PyYAML>=6.0
 Markdown>=3.6
+trafilatura>=1.8
+selectolax>=0.3
+bleach>=6.0
diff --git a/web/app.py b/web/app.py
index c8d1f57..b85f3b1 100644
--- a/web/app.py
+++ b/web/app.py
@@ -17,6 +17,11 @@ from fastapi.staticfiles import StaticFiles
 from jinja2 import Environment, FileSystemLoader
 from markupsafe import Markup, escape
 
+try:  # bleach — санитайзер HTML из RSS (allowlist); см. requirements.txt
+    import bleach
+except ImportError:
+    bleach = None
+
 # CRUD источников: работа с sources.yaml (источник истины) + БД синк
 from sources.sources import (
     db_source_to_yaml,
@@ -51,6 +56,43 @@ def md_filter(text: str) -> Markup:
     return Markup(html)
 
 
+# Теги/атрибуты, разрешённые в текстах из RSS (безопасное подмножество HTML).
+_SAFE_TAGS = [
+    "p", "br", "b", "strong", "i", "em", "u", "s", "strike", "del",
+    "a", "ul", "ol", "li", "blockquote", "pre", "code", "h1", "h2", "h3",
+    "h4", "h5", "h6", "table", "thead", "tbody", "tr", "th", "td",
+]
+_SAFE_ATTRS = {"a": ["href", "title", "rel"]}
+_SAFE_PROTOCOLS = ["http", "https", "mailto"]
+
+
+def safe_html_filter(text: str) -> Markup:
+    """Исходный текст из RSS → безопасный HTML (allowlist-санитайзер).
+
+    Сохраняет «заложенное форматирование» (жирный, ссылки, списки, абзацы),
+    вырезает всё опасное (script/style/on*/iframe/svg/...) и делает ссылки
+    кликабельными (linkify). Для markdown-пересказов/комментариев НЕ используется —
+    они идут через md_filter.
+    """
+    if not text:
+        return Markup("")
+    if bleach is None:
+        # запасной вариант без bleach — экранируем (безопасно, но без разметки)
+        return Markup(md_lib.markdown(escape(text), extensions=["nl2br", "sane_lists"]))
+    try:
+        cleaned = bleach.clean(
+            text,
+            tags=_SAFE_TAGS,
+            attributes=_SAFE_ATTRS,
+            protocols=_SAFE_PROTOCOLS,
+            strip=True,
+        )
+        cleaned = bleach.linkify(cleaned, parse_email=True)
+        return Markup(cleaned)
+    except Exception:
+        return Markup(escape(text))
+
+
 def dt_filter(value) -> str:
     """2026-08-15T15:53 → 15:53 15.08.2026; None/мусор → ''."""
     if not value:
@@ -64,6 +106,7 @@ def dt_filter(value) -> str:
 
 
 tpl.filters["markdown"] = md_filter
+tpl.filters["safe_html"] = safe_html_filter
 tpl.filters["dt"] = dt_filter
 
 
diff --git a/web/templates/base.html b/web/templates/base.html
index e97cc72..71d6e34 100644
--- a/web/templates/base.html
+++ b/web/templates/base.html
@@ -8,7 +8,7 @@
   <style>
     body { padding-top: 4.5rem; background: #f5f6fa; }
     .card { box-shadow: 0 1px 4px rgba(0,0,0,.08); }
-    .post-text { white-space: pre-wrap; max-height: 140px; overflow-y: auto; font-size: .9rem; }
+    .post-text { white-space: pre-wrap; font-size: .9rem; }
     /* список кандидатов: выбранный пост — светло-голубая заливка карточки */
     .list-group-item.active-row { background-color: #dcecfc; }
     .list-group-item.active-row:hover { background-color: #d0e4f8; }
diff --git a/web/templates/candidates.html b/web/templates/candidates.html
index 4a57fa4..b7f8f70 100644
--- a/web/templates/candidates.html
+++ b/web/templates/candidates.html
@@ -168,7 +168,7 @@
       <h6 class="text-muted flex-shrink-0">Оригинальный пост</h6>
       <div class="flex-grow-1 overflow-auto" style="min-height:0;">
       {% if selected.text %}
-        <div class="post-text mt-1">{{ selected.text | markdown }}</div>
+        <div class="post-text mt-1">{{ selected.text | safe_html }}</div>
       {% endif %}
       {% if selected.media_path %}
         {% set media_src = '/media/' ~ selected.media_path.split('/')[-1] %}
diff --git a/web/templates/selected.html b/web/templates/selected.html
index 7b2d71c..2b190dd 100644
--- a/web/templates/selected.html
+++ b/web/templates/selected.html
@@ -174,7 +174,7 @@
             <h6 class="text-muted">Оригинальный пост</h6>
             <div class="border rounded p-2 bg-light small overflow-auto flex-grow-1" style="min-height:0;">
             {% if selected.text %}
-              <div class="post-text">{{ selected.text | markdown }}</div>
+              <div class="post-text">{{ selected.text | safe_html }}</div>
             {% endif %}
             {% if selected.media_path %}
               {% set media_src = '/media/' ~ selected.media_path.split('/')[-1] %}