全文获取：九级回退与验真

铁律：200 不等于拿到了全文

实测中大量站点回 200 + text/html：Cookie 门、登录页、"请启用 cookie"跳转页。 每一级都必须验：content-type 含 pdf 且 文件头是 %PDF-；JATS 则验根元素 <article。

判失败的特征：

• 内容是 HTML 且含 cookies_not_supported / sign in / access denied / captcha
• 重定向后的 finalUrl 落在 /login、/sorry/、?error=
• 长度 < 20KB 的"PDF"（多为占位页）

九级顺序（不跳级，除非上层明确 no-oa）

1. OpenAlex best_oa_location.pdf_url —— 经常是空的，别停在这一级
2. OpenAlex locations[].pdf_url —— 遍历全部 location，取第一个非空
3. Unpaywall /v2/{doi}?email= —— 需真实邮箱（占位会被 422 拒）
4. Europe PMC fullTextUrlList —— 挑 documentStyle=pdf 且 availability 含 open
5. Europe PMC /{PMCID}/fullTextXML —— 优先 JATS：有章节标签，做证据链比 PDF 好切
6. PMC efetch db=pmc&id={pmcid}&retmode=xml —— 无需 key
7. 直链模板（这四个实测无门）：
   • arXiv https://arxiv.org/pdf/{id}（支持 Range）
   • PLOS journals.plos.org/plosone/article/file?id={doi}&type=printable
   • Frontiers frontiersin.org/articles/{doi}/pdf
   • bioRxiv biorxiv.org/content/{doi}v1.full.pdf（medRxiv 同路径会 403）
8. 出版商 Cookie 两步：先 GET 落地页收 Cookie，再带 Referer + Cookie 请求 PDF
   • Springer link.springer.com/content/pdf/{doi}.pdf
   • Nature nature.com/articles/{suffix}.pdf
9. CF 站点（Wiley pdfdirect/、SAGE doi/pdf/、T&F doi/pdf/、MDPI）—— 需 TLS 指纹伪装；本机默认判 blocked

Sci-Hub（.st/.ru）返回的是 ALTCHA PoW 挑战页，默认关闭；开了也要接受它可能变算法。

拿到之后

1. 抽结构：PDF 用 pymupdf 逐页取文本并记 page_from/page_to；JATS 按 <sec sec-type> 切。
2. 留 page 偏移：证据链要能回答"这句话在第几页第几段"，所以抽文本时同时存字符偏移到页码的映射。
3. 算哈希：文件 sha256 + 来源 URL + 时间，写进 resolve_attempt。同一篇下次先查哈希，别重下。
4. 抽参考文献 DOI：从 JATS <ref-list> 或 PDF 末尾正则抓 DOI，供滚雪球（前向/后向各一轮）。

失败时怎么汇报

不要只说"下载失败"。按级写清楚：

doi:10.1002/anie.201900123
L1 openalex best_oa   : empty
L2 openalex locations : 3 条，无 pdf_url
L3 unpaywall          : skipped（未配置邮箱）
L4 europepmc          : 非 OA
L7 直链               : -
L8 wiley pdfdirect    : 403 text/html（CF）
结论：需要代理或机构权限，已记 blocked，未污染其他级的 provenance

这份记录进 docs/ 或项目日志，下次别人接手不用再试一遍。