时事新报关键词检索

要解决的问题

《时事新报》（1911–1948）在 East View 上以影印图片形式提供，正文藏在图片里，只能通过 OCR 生成的文本层来检索。这带来三个具体麻烦：

• 命中位置不固定：关键词通常出现在版面里某条电讯、杂闻或按语中，而不是头条或大块论说里。拿整栏做总结，结论就会和关键词对不上。
• 简繁转换：OCR 把简体打成繁体或异体（黄兴 → 黃興、袁世凯 → 袁世凱），直接搜原词会大量漏命中。
• 史料语境复杂：该报立场随年代漂移，清末常用「匪」「乱党」「窜」等贬词，引用时需要和其他史料对照。

核心能力

这个技能用一个 Python 脚本包住上述流程，输入一个人名、事件或机构名（如 黄兴、武昌起义、保路运动），依次完成：

• 用带 opencc 的解释器把关键词转成繁体，去 East View 文本层里检索，默认按时间升序（--sort time）、每页 10 条。
• 首次运行会在 ssxb_search_cache/ 建索引缓存，翻页累加出总条数；后续翻页直接读缓存，只抓当页 10 条。
• 每条输出：日期、版次、docid、档案深链、文本层命中数，以及关键词附近的上下文片段。
• 文本层没直接命中时，加 --images 下载该条的片段截图，供视觉核验。
• 若用户直接贴 East View 搜索链接（含 txq=关键词），脚本会自动抽取关键词。

报告环节按固定格式落盘为 Markdown 文件：文件名形如 时事新报_{关键词}搜索_时间序第N页.md，每页一个独立文件，包含开头元信息、总览表、逐条详述（命中片段原文 + 概述 + 史料价值评论 + 档案深链）和可靠性提醒。写完后用 present_files 呈现，再询问是否继续输出下一页，直到用户停止或脚本返回空页。

适用边界与注意点

• 必须放行外网：脚本要访问 gpa.eastview.com。在沙箱里若以 exit code 1 退出且无报错，通常是 WorkBuddy 沙箱拦了请求，需要用 dangerouslyDisableSandbox: true 运行，或让用户点界面上的「关闭沙箱重跑」。
• 不能只靠 OCR：片段看不清的地方如实标注「OCR 难辨，建议点开档案链接核对」，不要把脚本没给的史实硬塞进报告。
• 清洗有底线：可以删乱码、补可读断句，但清洗后的片段要和脚本给出的命中内容对齐，避免二次发明史料。
• 引用需交叉验证：该报立场随年代变化，民初以后尤其复杂。涉及评价性词汇时，建议与革命党自述、《申报》等同期材料对照后再下结论。
• 排序选择：默认时间序最能串出史料脉络；--sort relevance 仅在需要按相关度筛选时使用。关键词或排序变了要用 --refresh 重建索引。
• 依赖单一：标准库即可，唯一外部依赖是 opencc-python-reimplemented。缺它时脚本仍能跑，但繁体关键词会漏命中，只能靠 --images 兜底。