参数返回logo 地址

app/tool/page_extract.py

@@ -2,16 +2,19 @@
 
 流程：
 1. 打开公告页，取 `#page-content` 的正文文字与图片地址；
-2. 图片地址下载成字节流；
-3. 每张图片 OCR 提取文字；
-4. 每张图片检测二维码，有则解出内容；
-5. 正文 + 图片文字 + 二维码内容合并为一段字符串。
+2. 通过 `.wx_follow_avatar` 单独提取 Logo 地址；
+3. 正文图片下载成字节流；
+4. 每张图片 OCR 提取文字；
+5. 每张图片检测二维码，有则解出内容；
+6. 返回合并后的公告文本与 Logo 地址。
 
 图片下载、OCR、二维码识别都允许失败，单张出错只记日志并跳过。
 """
 
 from __future__ import annotations
 
+from dataclasses import dataclass
+
 from app.core.logger import log
 from app.tool.browser import close_page, open_page, query
 from app.tool.cv import has_qr
@@ -19,38 +22,62 @@ from app.tool.image_download import download_image
 from app.tool.ocr import ocr
 from app.tool.qr_decode import decode_qr
 
+
+@dataclass
+class PageExtractResult:
+    """公告页提取结果。"""
+
+    content: str
+    """正文 + 图片 OCR + 二维码内容合并后的文本"""
+
+    logo_url: str | None
+    """公众号 Logo 图片地址"""
+
 # 正文容器选择器
 _SELECTOR = "#page-content"
 
+# 底部公众号信息区域中的 Logo 容器选择器
+_LOGO_SELECTOR = "#js_article_bottom_bar .wx_follow_avatar"
+
 # 打开页面后的等待时间（毫秒），等懒加载图片就位
 _WAIT_MS = 3000
 
 
-def extract_page(url: str) -> str:
-    """提取公告页的全部文字信息。
+def extract_page(url: str) -> PageExtractResult:
+    """提取公告页的全部文字信息和 Logo 地址。
 
     Args:
         url: 公告页地址。
 
     Returns:
-        正文文字、图片 OCR 文字、二维码内容合并后的字符串；
-        页面打开失败时返回空字符串。
+        PageExtractResult 对象，包含 content 和 logo_url。
     """
     if not url or not url.startswith("http"):
-        return ""
+        return PageExtractResult(content="", logo_url=None)
 
     page_id: str | None = None
     try:
         page_id = open_page(url, _WAIT_MS)
         nodes = query(page_id, _SELECTOR)
+        logo_nodes = query(page_id, _LOGO_SELECTOR)
     except Exception as exc:
         log.error(f"公告页打开失败: {url} | {exc}")
-        return ""
+        return PageExtractResult(content="", logo_url=None)
     finally:
         # 页面数据已取出，尽早释放浏览器上下文，不占着资源等后续 OCR
         if page_id is not None:
             close_page(page_id)
 
+    logo_url = next(
+        (
+            image_url
+            for node in logo_nodes
+            for image_url in node.image_urls
+            if image_url
+        ),
+        None,
+    )
+
     texts: list[str] = []
     image_urls: list[str] = []
 
@@ -81,5 +108,8 @@ def extract_page(url: str) -> str:
             log.warning(f"二维码识别失败: {image_url} | {exc}")
 
     content = "\n".join(text for text in texts if text)
-    log.info(f"公告页提取完成（图片 {len(image_urls)} 张，文本 {len(content)} 字）: {url}")
-    return content
+    log.info(
+        f"公告页提取完成（图片 {len(image_urls)} 张，文本 {len(content)} 字，"
+        f"Logo {'已提取' if logo_url else '未提取'}）: {url}"
+    )
+    return PageExtractResult(content=content, logo_url=logo_url)