时事新报要闻生成器

解决什么问题

按公历日期查《时事新报》头版要闻时，常见障碍是 East View CRL 页面以影印图片加动态加载呈现，直接抓取通常只拿到报头；正文实际来自 AJAX 接口，并夹杂 HTML 实体和 OCR 纠错界面残留。这个技能把「给日期 -> 取头版 -> 提炼要闻 -> 附档案链接」串起来，适合近代史、辛亥革命前后、民国初年研究中按日调取旧报。

技能如何工作

• 输入支持 19120625、1912-06-25、1912/06/25、1912年6月25日，以及含 ssxbYYYYMMDD 的链接。
• 主流程调用 bundled 脚本 scripts/fetch_ssxb.py，只依赖 Python 标准库 urllib、re、html、json、argparse、datetime。
• 脚本先请求目录 ?a=da&command=getDocumentContents&d=ssxbYYYYMMDD-01&f=AJAX&e=...；HTTP 404 直接作为停刊/未收录信号。
• 目录用正则 data-section-oid="([^"]+)" 取栏目 id，再逐栏目请求 getSectionText，对 HTML 实体反转义、去标签，并剔除「为什么这份文本可能存在错误？修正此文本」这类 OCR 纠错界面冗余。
• stdout 输出一行 JSON 状态，同时把头版各栏目纯文本写入 raw_file。OK 时读取原文，生成 时事新报_YYYY-MM-DD_要闻总结.md，并用 present_files 展示；SUSPENDED/NOT_FOUND 时明确说明停刊或无可用内容；BAD_DATE 时请求用户确认日期；网络或服务异常则提示重试。
• 总结会保留报纸名与西历日期，尽量辨明纪年；开头和结尾附档案链接，按栏目或主题归纳社论、内阁/政府、外交、重大案件、上海本地要事，并注明 OCR 残损处。

适用边界与注意点

• 默认只抓第 01 版；后续版面需手动调整 PAGE 常量或扩展脚本。
• CRL 覆盖约 1907 年创刊至 1949 年前后停刊区间，区间内扫描缺期也会以 404 表现为停刊，无需维护停刊日期表。
• 民国繁体影印 OCR 质量参差，人名、地名、数字可能缺漏；总结应避免臆补，引用前可核对《申报》或一档馆档案。
• 若遇到 NET_ERROR，可能是沙箱阻断网络，可用 dangerouslyDisableSandbox: true 重跑该命令。
• 档案链接中的 e= 参数较长且对历史日期稳定，复制时整段保留，不要修改或重复拼接前缀。