案例 02｜新闻详情页与署名解析

正则：本网讯\s*[（(]\s*记者\s*[:：]?\s*([^）)]+)\s*[）)]

拆解：[（(] 与 [）)]  →  全角、半角括号都要能匹配（对应第 1、2 行）
      [:：]?          →  冒号可有可无（对应第 3 行）
      ([^）)]+)       →  捕获括号里除右括号外的全部原文
拿到捕获组再二步清洗：按「摄影/摄像/通讯员」切断取记者段，
多人用空格或顿号分开 →「庄祉祎 甄诚」拆成两人（对应第 4、5 行）。
原文里没有「记者」二字（部门署名）自然匹配不上 → 标记为无个人署名。

我有一份校园新闻明细表，里面有「详情页地址」列。
请读这一列，逐条进入详情页，采集并解析下面这些字段：

  1. 标题（详情页 h2.news-detail-article-title，用于核对）
  2. 发布时间（article-time 里的「时间：」之后，格式 2026-10-08）
  3. 正文全文（只取 portletmode="simpleArticleContent" 容器内的正文，
     去掉「相关推荐」「扫描二维码关注我们」这类块）
  4. 浏览量：注意详情页 HTML 里的 10 是占位符，真实值要带 Referer
     请求 /_visitcountdisplay?siteId=19&type=3&articleId=文章ID
  5. 署名原文（「本网讯(…)」括号内的原文，原样保留）
  6. 记者姓名（按下面规则解析）
  7. 配图地址（正文内的图片，多张用分号分隔）
  8. 正文字数（去标点）
  9. 所属栏目（面包屑「新闻中心」下的二级栏目）、作者单位（照录「单位：」一行）、
     责任编辑（文末「编辑：」之后的人名，与记者分开）、配图数量（由配图地址计数）、
     数据批次（不是页面字段，按采集日期加规则版本补上，如 2026-10-08-01）

【署名解析规则】
  - 全角括号「（记者 张三）」与半角括号「(记者 张三)」都要能识别
  - 全角冒号「(记者：张三)」要先换成半角再解析
  - 「记者庄 祉祎 甄诚」这种一个字姓 + 两个字名，要合并成「庄祉祎」再与「甄诚」分开
  - 「记者 张三 摄影 李四」遇到 摄影/通讯员/编辑/审稿/责编/供图/校对 等词就截断
  - 命中「学院、部、中心、团队、委员会、记者团」等机构关键词的，不当成人名

【执行要求】
  - 先只解析前 3 条给我验证，确认无误后再处理全部
  - 每条之间间隔 2 秒
  - 解析失败的（没匹配到本网讯）单独列一张表，写明地址和原因，不要丢弃

追问一（浏览量是假的）：
  浏览量整列都是 10，这是页面占位符。
  请改成请求 /_visitcountdisplay 接口取真实值，请求时带上详情页地址作为 Referer。

追问二（正文混进杂质）：
  第 2 条的正文结尾混进了「扫描二维码关注我们」。
  请按正文容器的起止标志裁掉这类内容，并抽查 3 条确认。

追问三（署名解析有误）：
  「汽车与交通工程学院团学学术部」被当成了记者姓名。
  请准备一份机构关键词表（学院、部、中心、团队、委员会、记者团…），
  命中就过滤掉，只保留个人姓名。

① 正文去杂质：
   去掉正文里的「相关推荐」「扫描二维码」「责任编辑」等非正文块，去掉连续空行。

② 署名归一：
   把「记者姓名」按「、」拆开后去重，保证同一篇文章里同一个人只算一次。

③ 缺失标注：
   把没有署名的记录标成「无个人署名」，与「解析失败」分开统计。

④ 输出两份：
   一份完整明细（含正文），一份轻量明细（不含正文，便于快速打开）。

campus_news_detail.xlsx        解析结果明细（含正文、署名原文、记者姓名）
campus_news_detail_light.xlsx  轻量版（去掉正文列，便于快速打开）
byline_failed.jsonl            署名解析失败清单（地址 + 原因）
corpus/                        正文纯文本，每篇一个 txt，供后续词频分析