feat: 文章抓取模块 + 工程化工具链 (v1.2.1)

- feat: 新增 article_grab/ 模块 — trafilatura + httpx 正文提取，维基百科 API 适配器（反爬 403 自动走官方 REST API，7 语言）
- feat: 文章抓取 PDF 日报（--pdf）— 封面/目录/分节，防文字挤压排版
- test: 26 个 pytest 用例（单元+集成，PDF 重叠检测、HTTP mock、维基适配器），覆盖率 80.94%
- build: pyproject.toml（ruff/black/mypy strict）+ pre-commit + GitHub Actions CI（3.10/3.13 矩阵）
- style: 全项目 black 格式化 + ruff 修复（历史代码按目录豁免 BLE001 设计意图）
- docs: CHANGELOG v1.2.1 + README 更新

Author: Misaka4396

.github/workflows/ci.yml

@@ -0,0 +1,52 @@
+name: CI
+
+on:
+  push:
+    branches: [main]
+  pull_request:
+    branches: [main]
+
+jobs:
+  quality:
+    name: Lint + Type + Test
+    runs-on: ubuntu-latest
+    strategy:
+      matrix:
+        python-version: ["3.10", "3.13"]
+    steps:
+      - uses: actions/checkout@v4
+
+      - uses: actions/setup-python@v5
+        with:
+          python-version: ${{ matrix.python-version }}
+          cache: pip
+
+      - name: 安装依赖
+        run: |
+          pip install -e ".[dev]"
+          pip install pymupdf
+
+      - name: 安装中文字体（Linux CI 无 Windows 字体）
+        run: |
+          sudo apt-get update -qq
+          sudo apt-get install -y -qq fonts-noto-cjk
+
+      - name: Lint (ruff)
+        run: ruff check .
+
+      - name: Format 检查 (black)
+        run: black --check .
+
+      - name: 类型检查 (mypy)
+        run: mypy article_grab
+
+      - name: 单元 + 集成测试 + 覆盖率门禁
+        run: |
+          pytest tests --cov=article_grab \
+            --cov-report=term --cov-fail-under=80
+
+      - name: 上传覆盖率报告 (Codecov)
+        if: ${{ matrix.python-version == '3.13' }}
+        uses: codecov/codecov-action@v4
+        with:
+          fail_ci_if_error: false

.gitignore

@@ -26,3 +26,13 @@ Thumbs.db
 *.egg-info/
 .env
 venv/
+
+# 测试/工具链缓存
+.pytest_cache/
+.mypy_cache/
+.ruff_cache/
+.coverage
+htmlcov/
+
+# 文章抓取产物
+out/

.pre-commit-config.yaml

@@ -0,0 +1,22 @@
+# pre-commit 配置：提交前自动 lint / format / 类型检查
+# 安装：pip install pre-commit && pre-commit install
+repos:
+  - repo: https://github.com/astral-sh/ruff-pre-commit
+    rev: v0.6.9
+    hooks:
+      - id: ruff
+      - id: ruff-format
+
+  - repo: https://github.com/pre-commit/mirrors-mypy
+    rev: v1.11.2
+    hooks:
+      - id: mypy
+        additional_dependencies: [httpx, trafilatura, fpdf2]
+
+  - repo: https://github.com/pre-commit/pre-commit-hooks
+    rev: v4.6.0
+    hooks:
+      - id: trailing-whitespace
+      - id: end-of-file-fixer
+      - id: check-yaml
+      - id: check-added-large-files

CHANGELOG.md

@@ -2,6 +2,26 @@
 
 本项目使用 [Keep a Changelog](https://keepachangelog.com/zh-CN/1.1.0/) 格式。
 
+## [v1.2.1] - 2026-08-13
+
+### 新增
+- feat: 文章抓取模块（`article_grab/`）— trafilatura + httpx 正文提取（标题/作者/日期/站点/正文），请求重试 + 真实浏览器头，文件名净化（防路径穿越）
+- feat: **维基百科 API 适配器** — 词条页 HTML 反爬 403 时自动走官方 REST API（支持 zh/en/ja/fr/de/ru/es 7 语言）
+- feat: 文章抓取 PDF 日报（`article_grab/grabber.py --pdf`）— 封面/目录/分节，中文字体自动适配，防文字挤压排版（中英分段换行 + 超长 URL 逐字符硬断）
+- test: 26 个 pytest 用例（单元 + 集成，含 PDF 重叠/溢出逐词检测、维基 API 适配器、HTTP mock 替身）
+
+### 工程化
+- build: `pyproject.toml`（ruff/black/mypy strict/pytest + setuptools 显式模块声明）
+- build: `.pre-commit-config.yaml` 提交前自动检查
+- build: `.github/workflows/ci.yml` — GitHub Actions（Python 3.10/3.13 矩阵：lint→format→mypy→test+cov≥80%）
+
+### 修复
+- fix: trafilatura 2.2 API 变更（`extract_metadata` 参数 `url`→`default_url`）
+- fix: 正文丢失 — 按「原文链接」内容匹配回填元数据
+- fix: PDF 换行符缺字形 — 按段落渲染正文
+- fix: 裸 `except Exception: pass` 吞异常 — 引入 logging + 收窄异常类型
+- fix: 中文字体跨平台查找（Windows/Linux/macOS 候选），CI 安装 fonts-noto-cjk
+
 ## [v1.2.0] - 2026-08-13
 
 ### 新增

README.md

@@ -6,7 +6,7 @@
 [![License: MIT](https://img.shields.io/badge/License-MIT-green.svg)](LICENSE)
 
 **多源报告汇总推送工具** — Windows 桌面应用，一站式聚合 **7 大类信息源** 的报告与数据，
-自动生成 **TXT / PDF 学术风格报告**。内置日报本地生成服务、Windows XP 复古主题与自定义背景。
+自动生成 **TXT / PDF 学术风格报告**。内置日报本地生成服务、文章抓取模块（trafilatura + 维基 API）、Windows XP 复古主题与自定义背景。
 
 > ⚠️ 本项目仅供学习研究使用，抓取行为请遵守各站点 robots 协议与相关法律法规。
 
@@ -54,6 +54,22 @@
 - **日报本地生成服务**：设置每日生成时间（默认 09:00）+ 多选信息源模块 + 输出目录 → 每天到点后台自动抓取并生成 `daily_report_YYYYMMDD.txt/.pdf`，每日自动去重，界面实时显示生成状态与文件路径，支持「立即生成一次」
 - **Windows XP (Luna) 复古主题**：经典蓝色渐变标题栏、XP 式圆角渐变按钮、米色面板、Tahoma/宋体字体体系
 
+### 文章抓取模块（v1.2.1 新增）
+
+命令行抓取任意文章网页 → 提取正文 → Markdown / PDF 日报：
+
+```bash
+# 抓取单篇文章（输出 out/<站点>_<日期>_<标题>.md）
+E:\Anaconda3-2026\python.exe -m article_grab.grabber https://example.com/article
+
+# 批量 + 生成 PDF 日报
+E:\Anaconda3-2026\python.exe -m article_grab.grabber --file urls.txt --pdf
+```
+
+- **正文提取**：trafilatura 自动剥离导航/广告/页脚，提取标题/作者/日期/站点
+- **维基百科**：词条页自动走官方 REST API（页面 HTML 反爬 403 时依然可用，支持 7 种语言）
+- **PDF 日报**：封面/目录/分节，中文字体自动适配，防文字挤压（0 重叠 0 溢出）
+
 ## 快速开始
 
 ### 方式一：直接运行 EXE
@@ -86,12 +102,21 @@ MultiSourceReportTool/
 │   └── app_icon.ico         # 应用图标
 ├── ui/
 │   ├── main_window.py       # 主窗口（导航/路由/背景）
-│   ├── styles.py            # 全局 QSS 样式
+│   ├── styles.py            # 全局 QSS 样式（XP 主题）
+│   ├── daily_service.py     # 日报本地生成服务
 │   └── pages/               # 7 个信息源页面
+├── article_grab/            # 文章抓取模块（v1.2.1）
+│   ├── grabber.py           # 正文提取（httpx + trafilatura + 维基 API）
+│   ├── pdf_daily.py         # PDF 日报生成（防挤压排版）
+│   └── __init__.py
 ├── fetchers/                # 7 个数据抓取器
-└── report/
-    ├── txt_writer.py        # TXT 报告生成
-    └── pdf_writer.py        # PDF 学术风格报告 (fpdf2)
+├── report/
+│   ├── txt_writer.py        # TXT 报告生成
+│   └── pdf_writer.py        # PDF 学术风格报告 (fpdf2)
+├── tests/                   # pytest 测试套件（26 用例）
+├── pyproject.toml           # ruff/black/mypy/pytest 配置
+├── .github/workflows/       # GitHub Actions CI
+└── .pre-commit-config.yaml
 ```
 
 ## 修改日志

article_grab/__init__.py

@@ -0,0 +1,6 @@
+"""文章抓取模块 — 正文提取 + PDF 日报生成（MultiSourceReportTool v1.2.1 新增）。"""
+
+from .grabber import fetch_page, fetch_wikipedia, grab  # noqa: F401
+from .pdf_daily import generate_daily_pdf  # noqa: F401
+
+__all__ = ["grab", "fetch_page", "fetch_wikipedia", "generate_daily_pdf"]