Add ru version (#1865)

* Add Russian docs site baseline

* Add Russian localized codebase

* Polish Russian code wording

* Update ru code translation.

* Update code translation and chapter covers.

* Fix pythontutor extraction.

* Add README and landing page.

* placeholder of profiles

* Use figures of English version

* Remove chapter paperbook

ru/docs/chapter_divide_and_conquer/binary_search_recur.md

@@ -0,0 +1,45 @@
+# Поисковая стратегия divide and conquer
+
+Мы уже знаем, что алгоритмы поиска делятся на две большие категории.
+
+- **Полный перебор**: реализуется через обход структуры данных, временная сложность равна $O(n)$ .
+- **Адаптивный поиск**: использует особую организацию данных или априорную информацию, временная сложность может достигать $O(\log n)$ и даже $O(1)$ .
+
+На практике **алгоритмы поиска с временной сложностью $O(\log n)$ обычно реализуются на основе стратегии divide and conquer**, например двоичный поиск и деревья.
+
+- На каждом шаге двоичный поиск раскладывает задачу (поиск целевого элемента в массиве) на более мелкую задачу (поиск целевого элемента в одной половине массива), и этот процесс продолжается, пока массив не станет пустым или пока не будет найден целевой элемент.
+- Деревья являются типичными представителями идей divide and conquer; в таких структурах данных, как двоичное дерево поиска, AVL-дерево и куча, временная сложность различных операций равна $O(\log n)$ .
+
+Стратегия divide and conquer для двоичного поиска выглядит следующим образом.
+
+- **Задача раскладывается на части**: двоичный поиск рекурсивно разбивает исходную задачу (поиск в массиве) на подзадачу (поиск в одной половине массива), и это достигается сравнением среднего элемента с целевым значением.
+- **Подзадачи независимы**: в двоичном поиске на каждом шаге обрабатывается только одна подзадача, и она не зависит от других подзадач.
+- **Решения подзадач не нужно объединять**: двоичный поиск нацелен на поиск конкретного элемента, поэтому объединять решения подзадач не требуется. Как только подзадача решена, одновременно считается решенной и исходная задача.
+
+По сути divide and conquer повышает эффективность поиска потому, что при полном переборе за один шаг удается исключить только один вариант, **тогда как при поиске на основе divide and conquer за один шаг можно исключить половину вариантов**.
+
+### Реализация двоичного поиска на основе divide and conquer
+
+В предыдущих главах двоичный поиск реализовывался через итерацию. Теперь реализуем его с помощью divide and conquer, то есть через рекурсию.
+
+!!! question
+
+    Дан отсортированный массив `nums` длины $n$ , в котором все элементы уникальны. Найдите элемент `target` .
+
+С точки зрения divide and conquer обозначим подзадачу, соответствующую интервалу поиска $[i, j]$ , через $f(i, j)$ .
+
+Начиная с исходной задачи $f(0, n-1)$ , выполняем двоичный поиск по следующим шагам.
+
+1. Вычислить середину $m$ интервала поиска $[i, j]$ и с ее помощью исключить половину интервала.
+2. Рекурсивно решить подзадачу вдвое меньшего размера; это может быть либо $f(i, m-1)$ , либо $f(m+1, j)$ .
+3. Повторять шаг `1.` и шаг `2.` , пока не будет найден `target` или пока интервал не станет пустым.
+
+На рисунке ниже показан процесс применения divide and conquer для поиска элемента $6$ в массиве.
+
+![Процесс двоичного поиска в стиле divide and conquer](binary_search_recur.assets/binary_search_recur.png)
+
+В реализации кода мы объявляем рекурсивную функцию `dfs()` для решения задачи $f(i, j)$ :
+
+```src
+[file]{binary_search_recur}-[class]{}-[func]{binary_search}
+```