fix: 文档解析链路修复 —— 缺失导入 + 静默吞错

- fetch.py: 补全 subprocess/zipfile/xml.etree.ElementTree/io 导入
  (PDF/DOCX/XLSX 解析此前直接 NameError)
- fetch.py main(): 检查 FetchResult.error_code, 文档解析失败不再
  静默输出空内容 + exit 0, 改为明确报错并 exit 1
- search.py fetch_page(): 同样检查 error_code, 修复 --fetch 抓取
  PDF 失败被误报 status=ok 的问题
- _parse_document_content: image/audio/video/* 类型统一返回
  E_UNSUPPORTED_MEDIA (此前退化为乱码文本)

scripts/fetch.py

@@ -10,13 +10,17 @@ for improved extraction quality (optional, falls back to stdlib).
 
 import argparse
 import gzip
+import io
 import logging
 import random
 import re
+import subprocess
 import sys
 import time
 import urllib.error
 import urllib.request
+import xml.etree.ElementTree as ET
+import zipfile
 import zlib
 from collections import namedtuple
 from html.parser import HTMLParser
@@ -867,7 +871,7 @@ def _parse_document_content(raw: bytes, content_type: str):
     if ct == "application/vnd.openxmlformats-officedocument.spreadsheetml.sheet":
         return _parse_xlsx(raw)
 
-    if ct in _BINARY_CONTENT_TYPES:
+    if ct.startswith(("image/", "audio/", "video/")) or ct in _BINARY_CONTENT_TYPES:
         return (None, E_UNSUPPORTED_MEDIA,
                 f"Unsupported binary content type: {ct}")
 
@@ -1236,6 +1240,14 @@ Examples:
         content, content_type, final_url = (
             result.content, result.content_type, result.final_url,
         )
+        # 文档解析失败（PDF/DOCX/XLSX 等）时 fetch_url 不抛异常，
+        # 而是返回带 error_code 的 FetchResult——必须显式检查，
+        # 否则失败会被静默吞掉（空输出 + exit 0）。
+        if result.error_code:
+            logger.error(
+                f"Error: {result.error_message or result.error_code} "
+                f"(error_code={result.error_code}, url={args.url})")
+            sys.exit(1)
     except Exception as e:
         # 诊断信息增强：从 __cause__ 链中提取 HTTP 状态码、原始异常类型，
         # 让 AI Agent 能程序化判断失败原因（404 vs 403 vs DNS 失败等），

scripts/search.py

@@ -879,6 +879,14 @@ def fetch_page(url: str, timeout: int = 10, auth_headers: dict = None,
         # 而非字符串匹配（"Too Many Requests" 不含 "429" 会漏判）
         error_code = classify_error(e)
 
+    # fetch_url 对 PDF/DOCX/XLSX 解析失败不抛异常，而是返回带 error_code
+    # 的 FetchResult——此处必须显式检查，否则失败会被当作成功处理
+    # （空文本 + status="ok"）。
+    if result is not None and result.error_code:
+        error_msg = result.error_message or result.error_code
+        error_code = result.error_code
+        result = None
+
     # 反爬检测（v2.0.0 增强：全文档扫描 + WAF 指纹库）
     # 必须在 Wayback 兜底判断之前执行：Cloudflare 质询页常返回 HTTP 200，
     # 此时 result 非 None 但内容是反爬页，必须识别出来才能触发兜底。