文章解析相关问题

[hogking]

你好，过程中碰到一些文章解析问题：
1.有的老网站的author和publish_date都被放在一个元素内了，解析出来的作者和发布日期都为【发布日期：2021-06-11 作者：招生办 来源： 继续教育学院 点击：451】
case：https://jxjy.gdou.edu.cn/info/1176/2828.htm

2.内容获取不正确：
case：http://sce.stu.edu.cn/show/article/1060.html

3.文章页面内容中如果包含附件（doc、pdf）链接，能否将它们的内容放在一个额外的fields中返回呢？
case：https://jxjy.scau.edu.cn/2024/0514/c4910a374510/page.htm
比如底部含有2个附件，放在类似如下结构中

{
   'files': [
        {
           'title':  '附件1',
            'link': ...
        },
        {
           'title':  '附件2',
            'link': ...
        }
    ]
}

[hogking]

感觉 文章 能支持自定义fields会比较好