From 4a068ede5929736698dadab29883e2f9f3b187a8 Mon Sep 17 00:00:00 2001
From: zk <sim18502043706@163.com>
Date: Mon, 27 Jul 2026 14:35:00 +0800
Subject: [PATCH] =?UTF-8?q?=E5=B0=81=E8=A3=85=E6=B5=81=E7=A8=8B=E5=A4=84?=
 =?UTF-8?q?=E7=90=86?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 app/tool/page_extract.py | 80 ++++++++++++++++++++++++++++++++++++++++
 1 file changed, 80 insertions(+)
 create mode 100644 app/tool/page_extract.py

diff --git a/app/tool/page_extract.py b/app/tool/page_extract.py
new file mode 100644
index 0000000..a20132d
--- /dev/null
+++ b/app/tool/page_extract.py
@@ -0,0 +1,80 @@
+"""公告页内容提取工具。
+
+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。
+
+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 app.core.logger import log
+from app.tool.browser import open_page, query
+from app.tool.cv import has_qr
+from app.tool.image_download import download_image
+from app.tool.ocr import ocr
+from app.tool.qr_decode import decode_qr
+
+# 正文容器选择器
+_SELECTOR = "#page-content"
+
+# 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。
+
+    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。
+    """
+    if not url or not url.startswith("http"):
+        return ""
+
+    try:
+        page_id = open_page(url, _WAIT_MS)
+        nodes = query(page_id, _SELECTOR)
+    except Exception as exc:
+        log.error(f"公告页打开失败: {url} | {exc}")
+        return ""
+
+    texts: list[str] = []
+    image_urls: list[str] = []
+
+    for node in nodes:
+        if node.text:
+            texts.append(node.text)
+        image_urls.extend(node.image_urls)
+
+    for image_url in image_urls:
+        image = download_image(image_url)
+        if image is None:
+            continue
+
+        # OCR 提取图片文字
+        try:
+            image_text = ocr(image)
+        except Exception as exc:
+            log.warning(f"图片 OCR 失败: {image_url} | {exc}")
+        else:
+            if image_text:
+                texts.append(image_text)
+
+        # 有二维码则解出内容
+        try:
+            if has_qr(image):
+                texts.extend(decode_qr(image))
+        except Exception as exc:
+            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