[JunieXD]

关联

Closes #40

改了什么

初筛通过的通知要存成快照再交给抽取。快照里的文字就是大家核对时看的原文，所以正文要取得干净，附件要按页面上的顺序取全。这个 PR 写一轮里的 Steps.read，也就是 crawl/notice.py 的 read_notice。

• 正文按建站系统的正文容器取（parse/notice.py）：博达、WebPlus、TRS、GPower 两种，加上北科研究生院、国科大研招网的文章页和招生单位页、国科大前沿交叉学院。哪个都对不上的，这条通知记成「认不出正文」，补上那个系统的模板，不猜哪一块是正文。文字里段落各占一行，表格一行一行、单元格之间用 Tab 隔开。
• 正文里的链接记下显示文字在 text 里的起止位置，地址按跳转后的网址解析成绝对地址，随 NoticePage.hyperlinks 交给抽取的编号（[任务] 句子、日期和链接的编号 #43 的 Hyperlink）。
• 附件按页面上出现的顺序取：正文里的文件链接，WebPlus 嵌入的 PDF，正文后附件区里的（北科的 Annex、中科院各所的 wrap-appendix），博达的下载链接，TRS 写在页面脚本里的附件清单（只读字符串，不执行脚本），还有正文里的图片。编辑器的文件类型小图标、页脚的二维码、侧栏的「常用下载」不算。
• 读附件的文字（parse/files.py）：pypdf 读 PDF，python-docx 读 .docx，legacy-doc 读老的 .doc，openpyxl 读 .xlsx，xlrd 读 .xls。图片的文字等 [任务] 图片和扫描件的文字识别 #47，压缩包不取文字。有的 PDF 把常用字映射成样子相同的康熙部首（「⽣」代替「生」），取出后换回常用字，不然证据和搜索都对不上。
• 下载不成的附件照样列出名称和网址，文字留空，不上传文件，记一条日志，不让整条通知失败。下载不成的情况包括：拿到的是网页（比如博达要验证码才能下载）、HTTP 错误、超过 50MB。网站的快照页对这种附件已经显示「文件尚未保存」。
• 页面返回 404、410 时返回 None；其他 4xx、5xx 抛 StepError("http_status", "HTTP 403")。
• 只保留一种写法：列表页和通知页共用一份解码网页的代码（parse/webpage.py）；补充基于编号的抽取评估和实验结果 #81 的抽取实验原来有一份自己的取正文代码，改用这一份。
• 文档：选定的库写进总体设计 §5.1，比较结果写进 §5.2；§7.2、§7.4 和开发约定 §2 写上取正文和附件的做法。

新加的依赖：pypdf、python-docx、legacy-doc、openpyxl、xlrd；开发依赖 types-openpyxl、types-xlrd。legacy-doc 没带类型标注，crawler/typings/legacy_doc/ 里补了用到的部分。

怎么验证的

• crawler/./check.sh 通过：生成类型一致性、格式、lint、Pyright 严格模式，217 项测试。
• 测试只用 parse/fixtures/notice/ 里自编的样例页（照真实页面的结构，文字全部换掉，来源见那里的 README），附件在测试里现生成，包括一个手写的小 PDF，用来复现康熙部首的问题；不连外网。
• 选库和定模板时，经 Fetcher 读了 45 个来源各 2 条通知，加上中科院几个所的 7 条，共 97 页；从中下载了 35 个附件。这些只存在本机，用来核对，不提交。97 页的正文都认得出，抽查的页面里没有混进导航、页脚和上一篇下一篇；27 个真实的 PDF、Word、Excel 都取出了文字，6 个 .docx 和文件里的全部文字逐段对过。
• 没做的：没有对真实网站完整跑一遍读通知这一步，也没跑浏览器来源（带来源页下载附件）那条路，免得多发请求；这两条在测试里只走普通请求。

影响

• 抓取节点：NoticePage 多了 hyperlinks；Attachment.data 可以是 None，一轮里这种附件只交名称和网址、不上传文件。将编号抽取接进一轮 #96 也给 NoticePage 加了 hyperlinks，那边已经请作者去掉默认值，后合并的一边调整。
• 列表页无法解析时，抓取记录里的说明从「列表页无法解析」变成「网页无法解析」。
• 接口、MCP 工具和表结构：无。