[任务] 浏览器抓取 #41

关联与状态

路线图 #2，一期。状态：进行中，@lym12321 认领，PR #77 按审查意见修改中。适合熟悉 Python、用过 Playwright 的同学。有问题直接在这里留言。

目标

少数学院的官网要用浏览器打开才看得到内容。比如电科计算机学院用了瑞数的反爬，普通请求只拿到一段脚本。这类来源标着 browser，读列表和读正文都要用浏览器（总体设计 §7.2、§5.2 的实测）。

已经有的

• 项目骨架：crawler/ 是 Python 3.14 + uv 的项目，装依赖 uv sync，跑全部检查 ./check.sh（格式、lint、Pyright 严格模式、测试）。命令见 AGENTS.md。
• 一轮的流程：crawl/rounds.py 的 crawl_source 已经把一个来源的一轮串好：读列表 → 初筛 → 读正文和附件 → 抽取 → 交结果。四步作为 Steps 传进来，签名和交接的数据写在那里，测试的写法见 rounds_test.py。抓不成时抛 FetchError 或 StepError，流程会把原因记进抓取记录（开发约定 §2）。
• 请求层：所有对来源网站的请求都经过 crawl/fetch.py 的 Fetcher，它管 UA、同一网站一次一个请求和间隔，不要自己用 httpx 发请求。
• 和网站交接的类型：crawl/contract.py 由网站的接口定义生成，不手改（接口 §6）。
• 浏览器的设置：已经实测过，写在开发约定 §2：
  • 关掉自动化标记，UA 用浏览器自己的，HeadlessChrome 写成 Chrome，末尾加上鼠钟的标识；
  • 一轮里同一个网站共用一个无痕会话；
  • 不加载图片、字体和音视频，拒绝弹窗和下载。
• 资源：抓取节点只有 3.6GB 内存，同时最多开 2 个页面（§16）。

范围

1. 浏览器：用 Playwright 驱动 Chromium 的无头精简版，按上面的设置打开页面，拿到渲染后的 HTML，交给读列表和读正文去解析（[任务] 读列表：通用抓取、配置和往回翻页 #6、[任务] 读正文和附件 #40）。
2. 守规矩：浏览器打开每个页面之前，也要先过 Fetcher 的间隔。需要的话给 Fetcher 加一个入口，比如先拿到许可再打开（开发约定 §2）。
3. 附件：附件由程序另外下载，要带上浏览器会话里的 Cookie，不然过不了挑战。
4. 用在哪：WorkSource.browser 为真的来源，读列表和读正文都走浏览器。

需要知道的

• 加 Playwright 依赖用 uv add，先在这里说一声；浏览器只在 parse 或 crawl 的一个模块里用（AGENTS.md · 写代码）。
• CI 不装浏览器：测试覆盖「先过规矩再打开」这类逻辑，真实网站在本地手动试，在 PR 里写明结果。

建议的第一步

1. 在本 Issue 留言认领。
2. 本地用 Playwright 按开发约定的设置打开电科计算机学院的首页，确认能过挑战，在这里贴结果，再动手接进 Fetcher。

验收标准

• 电科计算机学院的列表页和通知页能抓到，附件能下载
• 浏览器打开的每个页面都先过 Fetcher 的间隔，同时最多 2 个页面
• ./check.sh 通过