案例 03｜校园通知公告与附件下载采集

请帮我采集广州城市理工学院「校务公开」栏目的通知公告，并下载公告里的附件。

【目标站点】https://www.gcut.edu.cn/tzgg/list.htm
  这个站是 webplus 站群：
  - 分页形式为 /tzgg/list2.htm、/tzgg/list3.htm …，最后一页是 list39.htm
  - 列表每条公告在 <li class="news-list-section-item"> 里，日期在
    <span class="news-list-section-item-time"> 里
  - 注意：列表上显示的标题末尾被截断成「…」，
    完整标题在 <a> 标签的 title 属性里，请取 title

【采集范围】先只采前 2 页做验证，我确认后再采全部（每页 16 条，共 615 条、39 页）。

【需要字段】公告主表一行一条公告，按这个顺序：
  1. 序号（按发布日期倒序，最后统一重排）
  2. 标题（取 <a> 的 title 属性，完整标题，不要用列表上截断的文字）
  3. 所属栏目（校务公开）
  4. 详情页地址（补成完整 https 绝对地址，不要相对路径）
  5. 发布日期（2025-06-20 这种格式）
  6. 发文单位（正文末尾落款，比如 教务处）
  7. 文号（转发文件时才可能有，解析不到就留空，不要编）
  8. 附件数量
  9. 附件文件名（原始文件名，多个用「；」分隔）
  10. 附件类型（PDF / DOC / XLS / 其他）
  11. 附件大小（页面没有，下载后按实际字节数补）
  12. 附件下载地址（/_upload/article/files/… 开头的真实文件地址，记得补域名）
  13. 是否含表格（有 xls/xlsx 附件或正文含表格就填「是」）
  14. 正文字数
  15. 采集日期

【附件怎么找】进详情页后，附件有两种写法，两种都要认：
  - PDF：<div class="wp_pdf_player"
           pdfsrc="/_upload/article/files/…/xxx.pdf"
           sudyfile-attr="{'title':'原始文件名.pdf'}">
  - Office：<img src="/_ueditor/themes/default/images/icon_xls.gif" />
            <a href="/_upload/article/files/…/xxx.xlsx"
               sudyfile-attr="{'title':'原始文件名.xlsx'}">…</a>
  原始文件名在 sudyfile-attr 的 title 里，
  下载地址是 pdfsrc 或 href，两个都要取

【执行要求】
  1. 先在对话里给我一张公告主表预览，我确认后再下载附件
  2. 附件按「公告年月 / 公告标题 / 原始文件名」分目录归档
  3. 附件单独存一张清单表，一行一个文件，带文件大小与下载状态
  4. 并发不超过 8，每个请求之间间隔 1 秒以上，不要给对方服务器压力
  5. 遇到需要登录、验证码的页面就跳过并记录，不要尝试绕过

【导出】公告主表与附件清单各一个 Sheet，文件名 gcut_notice.xlsx

追问一（标题被截断）：
  公告主表里的标题很多末尾带着「…」，那是列表页显示时的截断。
  请改成取 <a> 标签 title 属性里的完整标题，逐条重取一遍。

追问二（文件名要还原）：
  附件下载地址里是一串 UUID 文件名，完全看不出是什么内容。
  请把附件保存成 sudyfile-attr 里的原始文件名；
  如果原名里带「/」「：」这类不能做文件名的字符，替换成下划线。

追问三（一条公告多个附件）：
  有的公告挂了 3 个附件，现在只下到了第一个。
  请把一条公告下的所有附件都下全，并在附件清单表里一行一个文件；
  顺便给每个文件补上实际字节数和下载状态（成功 / 失败 / 无附件）。

① 链接补全与去重：
   把「详情页地址」补成绝对地址，按该列去重，
   同一份公告发在多个栏目时只留一条，并把「所属栏目」记为第一次出现的那个。

② 标题去省略号：
   检查「标题」列，凡末尾带「…」的都是截断标题，
   统一改回取 <a> 的 title 属性，去掉多余空格（有的标题中间夹了全角空格）。

③ 附件字段拆分：
   把主表里「附件文件名 / 附件类型 / 附件大小 / 附件下载地址」按「；」拆开，
   对齐成附件清单表的一行一个文件，用公告序号回连主表。

④ 类型与大小规整：
   文件扩展名统一小写（XLSX→xlsx）；
   文件大小统一换算成字节数，再派生出「可读大小」（KB / MB）一列。

⑤ 输出交付：
   先给我公告主表与附件清单两张 Excel，再生成一个可筛选的明细网页；
   附件按「公告年月 / 公告标题 / 原始文件名」分目录归档。

gcut_notice.xlsx           公告主表 + 附件清单，两个 Sheet
gcut_notice.html           可筛选、可排序的公告明细网页
attachments/               附件归档目录
  2025-06/                 按公告年月分目录
    关于第十九届挑战杯…公示/
      关于第十九届挑战杯…公示.pdf
  2024-12/
    广州城市理工学院2023-2024学年本科教学质量报告/
      广州城市理工学院2023-2024学年本科教学质量报告.pdf
download_failed.jsonl      下载失败清单（地址 + 原因），供单独重试