[JunieXD]

关联

Closes #105。设计和比较在 #104（总体设计 §5.2、§7.4、§8.6、§16），先合并 #104 再合并这个。

改了什么

#102 比较后定了图片改由 DeepSeek 切块读：9 张样本的关键信息认对 111/113，本地的 RapidOCR 是 94/113。

• 切块（parse/image.py）：图片和 PDF 里的扫描页切成每块不超过约 1300×1300 像素，尽量切在没有字的行。宽过 2048 像素的先缩小：大的扫描件和海报字照样看得清，也不会切出几十块，一次请求 15 张以上时 DeepSeek 只收每边 4096 像素以内的图。file_text 改成 file_parts，按阅读顺序返回文字和待读的图片
• 读图（extraction/pictures.py）：一张图的各块按顺序放在一次请求里，用抽取的同一个 DeepSeek 客户端。提示词和 写下图片改由 DeepSeek 读的比较和结论 #104 实验的一样，只是放进 instructions，标点照抽取的提示词改成半角（RUF001），并且总带着「几张图片是同一张长图切开的」这一句，这样前缀每次都一样
• 读过的文件不重读（crawl/readings.py）：同一张图每次读出的文字可能不一样，不然通知会被当成变了。读过的文件连同读出的文字按附件网址存在本机的 SQLite 里，再下载到一字节不差的文件，就用上次的文字；直接比较字节，不算哈希；30 天没用到的删掉。只存要 DeepSeek 读的文件
• 出错和用量：DeepSeek 没读成的（接口出错、超时）抛 StepError，这条通知这一轮算没抓成，下一轮再抓；文件本身坏了的照旧记日志、文字留空。读图的用量记在附件上，和这条通知的抽取一起交（Extraction.usage），没走到抽取的只在每次调用的日志里
• 依赖和镜像：删掉 RapidOCR 和 ONNX Runtime，连带 numpy、OpenCV、Shapely 等 15 个包；Pillow 改成直接依赖。原来只给识别测试用的字体文件也删了。镜像里给存储留好目录 /home/crawler/.cache/mouseclock，部署时在这里挂一个卷，Dockerfile 开头写了
• 开发约定里模块的说明跟着改

怎么验证的

• ./check.sh 通过：格式、lint、Pyright 严格模式、344 个测试
• 新测试：程序画的长图切开后每块都在预算内、切口不落在字上；同一个网址的文件一字节不差时不再调模型，文件变了才重读；DeepSeek 返回 503 时这条通知失败；读图的用量排在抽取前面一起交；存的东西 30 天没用到就删
• 真实接口：想用 实现图片附件的文字识别 #74 的图片走一遍，但这台机器下载 GitHub 附件时连不上存附件的服务器，所以改用系统字体画了一张 1080×4840 的模拟通知（30 组日期、时刻、网址和邮箱，日程里是全角冒号），用这次的 file_parts 和 ReadPicture 读一次：切成 4 块，210 项全对，全角冒号照原样，120 行不重不漏；输入 3326、输出 3300 token，9.3 秒，按高峰价约 0.005 美元
• 镜像：本地完整构建没做成，卡在装 Chromium 那一步，这次没改它：从 Playwright 的服务器下载时 TLS 连接一再断开，试了三次。装依赖的两步都过了，镜像里已经没有 rapidocr 和 numpy。在构建阶段的镜像上照最后一段加了 crawler 用户和 mkdir，挂一个命名卷跑两次容器：第一次用 Readings 写进 /home/crawler/.cache/mouseclock/readings.sqlite3，换一个新容器能读回来

影响

• 抓取节点：部署时要多挂一个卷，docker run ... -v <卷名>:/home/crawler/.cache/mouseclock；没挂也能跑，只是重建容器后每张图要再读一次。镜像和内存都小了，不再跑识别模型
• 用量：读图算在抽取里，抓取看板上抽取的调用次数会多出读图的次数
• 已知的限制：一次抽取最多交 100 条用量，一条通知的附件里要 DeepSeek 读的图片和扫描页超过 99 张时，这次交抽取会被网站拒绝，这一轮中断；下一轮图片都存着，不再调用，抽取能交上去，只是丢了这些读图的用量
• 接口、MCP 工具、表结构都不变