refactor(doc_worker): 改进页眉页脚过滤逻辑

问题：原 _filter_header_footer 方法无条件删除每页最后一行，
导致某些页面（如封面、审批页、内容较少的页）的正文被过度删除，
甚至章节标题被误删。

改进：
1. 页眉过滤保持不变（连续空格超过阈值）
2. 页脚过滤改为智能判断：
   - 纯数字页码
   - 常见页码格式（第X页、共X页、X/Y）
   - 日期格式
   - 很短且无中文
   - 全是特殊字符（分隔线）

仅在最后一行符合上述特征时才删除。

core/construction_review/component/doc_worker/pdf_worker/fulltext_extractor.py

@@ -5,6 +5,7 @@ PDF 全文提取实现
 from __future__ import annotations
 
 import io
+import re
 from typing import Any, Dict, List, Tuple
 
 import fitz  # PyMuPDF
@@ -56,10 +57,11 @@ class PdfFullTextExtractor(FullTextExtractor):
     def _filter_header_footer(self, text: str) -> str:
         """
         过滤页眉页脚
-        
+
         过滤规则：
         1. 页眉：检测连续空格，检测到就删掉这行
-        2. 页脚：每页的最后一行，删掉每页的最后一行
+        2. 页脚：智能判断最后一行是否为页脚（页码、固定模板、分隔线等），
+           仅在符合页脚特征时才删除，避免误删正文内容
         """
         # 获取配置
         header_space_threshold = self._cfg.get(
@@ -67,11 +69,11 @@ class PdfFullTextExtractor(FullTextExtractor):
         )
 
         lines = text.split("\n")
-        
+
         # 如果只有一行或没有行，直接返回
         if len(lines) <= 1:
             return text
-        
+
         # 第一步：过滤页眉（连续空格超过阈值的行）
         filtered_lines: List[str] = []
         for line in lines:
@@ -84,20 +86,52 @@ class PdfFullTextExtractor(FullTextExtractor):
                     max_consecutive_spaces = max(max_consecutive_spaces, current_spaces)
                 else:
                     current_spaces = 0
-            
+
             # 如果连续空格数超过阈值，认为是页眉行，跳过
             if max_consecutive_spaces >= header_space_threshold:
                 continue
-            
+
             # 保留非页眉行
             filtered_lines.append(line)
-        
-        # 第二步：过滤页脚（删除最后一行）
+
+        # 第二步：智能过滤页脚（仅在最后一行看起来像页脚时才删除）
         if len(filtered_lines) > 0:
-            filtered_lines.pop()  # 删除最后一行
+            last_line = filtered_lines[-1].strip()
+            if self._is_likely_footer(last_line):
+                filtered_lines.pop()
 
         return "\n".join(filtered_lines)
 
+    def _is_likely_footer(self, line: str) -> bool:
+        """判断一行文本是否可能是页脚（页码、固定模板、分隔线等）"""
+        if not line:
+            return True
+
+        # 纯数字页码
+        if line.isdigit():
+            return True
+
+        # 常见页码格式：第X页、共X页、X / Y
+        if re.match(r"^[第共]\s*\d+\s*[页页次]?$", line):
+            return True
+        if re.match(r"^\d+\s*/\s*\d+$", line):
+            return True
+
+        # 日期或短标识（如 "2024年3月"、"2024-03"）
+        if re.match(r"^\d{4}[-年/.]\d{1,2}", line):
+            return True
+
+        # 很短且不含中文字符（通常是页码、英文标识等）
+        chinese_chars = self._count_chinese_chars(line)
+        if len(line) <= 8 and chinese_chars == 0:
+            return True
+
+        # 全是特殊字符（横线、点、下划线等分隔线）
+        if re.match(r"^[\-—_.·\s]+$", line):
+            return True
+
+        return False
+
     def _count_chinese_chars(self, text: str) -> int:
         """
         统计文本中的中文字符数（不含转义字符）