에펨코리아 추출 규칙

에펨코리아 게시글(#bd_capture 기준)을 Shorts 패널용 블록 구조로 변환하는 로직 요약.

URL 매칭

• match: /https?:\/\/(www\.)?fmkorea\.com\//i
• articleMatch: 베스트(/best/) 또는 숫자 document_srl, 쿼리 document_srl= 포함 판단

주요 선택자 & Root

• 루트: #bd_capture
• 본문 우선: #bd_capture .xe_content 존재 시 사용, 없으면 루트 자체
• 제목: h1|h2|h3 텍스트 → fallback document.title

처리 순서 개략

1. 비디오 존재 여부 검사 → 있으면 모든 비디오 src 중복 제거 후 순서대로 video 블록 선추가
2. 마지막 비디오 이후의 실제 텍스트만 추출 (플레이어 컨트롤/시간/배속 등 노이즈 필터)
3. 비디오가 없다면 전통적 DOM walk:
   • 이미지/비디오/pre 즉시 flush 후 블록화
   • p 단위 문단 경계 처리 + gap(br) 개수 2개 제한
   • 중복 텍스트/이미지 제거 Set 관리
4. src 정규화: // → 프로토콜, / → origin prefix

노이즈 필터링

• Video 컨트롤 텍스트 패턴: 시간(00:12 / 01:34), 속도(1.00x) 등 제거
• 빈 문단/중복 문단 제거, 연속 개행 축소(최대 2)

Hooks

• prePrepare: 원본 페이지 내 비디오 자동재생 중지 & 현재 volume 스냅샷 저장
• postShortsMounted: 쇼츠 패널 비디오 autoplay + 원본 volume 복원 (mute 해제 시도)

반환 예시

{
  "title": "게시글 제목",
  "blocks": [
    { "type": "video", "src": "https://...mp4", "poster": "" },
    { "type": "image", "src": "https://...jpg", "alt": "" },
    { "type": "html",  "html": "문단1<br>문단2" }
  ]
}

한계 / 주의

• 매우 복잡한 embed(투표/위젯)는 현재 통째로 스킵
• iframe 내 콘텐츠는 추출 대상 아님
• 레이아웃 변경 시 #bd_capture 이름이 바뀌면 규칙 수정 필요

개선 아이디어

• 코드블록(pre > code) syntax highlight 적용
• 이미지 ALT 가 해시/잡문일 때 heuristics 확대
• 비디오 썸네일 생성 (poster 미존재 시 첫 frame 캡처)