Checkpoint: Ajout de server/articleFetcher.ts (fetch HTTP + extraction 500 mots, timeout 5s, fallback silencieux). Intégration dans rssEngine.ts : si le résumé RSS est court (<150 car.), le 1er paragraphe de l'article est récupéré et transmis à classifyArticle. Signature de classifyArticle mise à jour avec paramètre contenuPage optionnel. 0 erreur TypeScript, 21 tests passés.

server/articleFetcher.ts

@@ -0,0 +1,94 @@
+/**
+ * articleFetcher.ts
+ *
+ * Récupère le contenu textuel des 500 premiers mots d'un article web
+ * pour enrichir la classification IA quand le résumé RSS est trop court.
+ *
+ * Stratégie :
+ * - Fetch HTTP avec timeout 5 secondes
+ * - Extraction des balises <p>, <h1>–<h3> du HTML brut (sans dépendance lourde)
+ * - Limite à 500 mots pour rester dans le contexte LLM
+ * - Retourne null en cas d'erreur (timeout, 403, paywall, JS-only…) — silencieux
+ */
+
+const FETCH_TIMEOUT_MS = 5_000;
+const MAX_WORDS = 500;
+
+/**
+ * Extrait le texte brut des balises de contenu d'un HTML.
+ * Approche légère sans parser DOM complet.
+ */
+function extractTextFromHtml(html: string): string {
+  // Supprimer les balises script, style, nav, header, footer, aside
+  let cleaned = html
+    .replace(/<script[\s\S]*?<\/script>/gi, " ")
+    .replace(/<style[\s\S]*?<\/style>/gi, " ")
+    .replace(/<nav[\s\S]*?<\/nav>/gi, " ")
+    .replace(/<header[\s\S]*?<\/header>/gi, " ")
+    .replace(/<footer[\s\S]*?<\/footer>/gi, " ")
+    .replace(/<aside[\s\S]*?<\/aside>/gi, " ")
+    .replace(/<noscript[\s\S]*?<\/noscript>/gi, " ");
+
+  // Extraire le contenu des balises de texte pertinentes
+  const contentTags = cleaned.match(/<(p|h[1-3]|li|blockquote)[^>]*>([\s\S]*?)<\/\1>/gi) ?? [];
+
+  const texts = contentTags.map((tag) =>
+    tag
+      .replace(/<[^>]+>/g, " ") // supprimer les balises HTML restantes
+      .replace(/&amp;/g, "&")
+      .replace(/&lt;/g, "<")
+      .replace(/&gt;/g, ">")
+      .replace(/&nbsp;/g, " ")
+      .replace(/&quot;/g, '"')
+      .replace(/&#\d+;/g, " ")
+      .replace(/\s+/g, " ")
+      .trim()
+  );
+
+  return texts.filter((t) => t.length > 20).join(" ");
+}
+
+/**
+ * Récupère les premiers ~500 mots du contenu d'un article web.
+ * Retourne null si l'article est inaccessible ou si le contenu est trop pauvre.
+ *
+ * @param url URL de l'article
+ * @returns Texte extrait (500 mots max) ou null
+ */
+export async function fetchArticleFirstParagraph(url: string): Promise<string | null> {
+  try {
+    const controller = new AbortController();
+    const timer = setTimeout(() => controller.abort(), FETCH_TIMEOUT_MS);
+
+    const response = await fetch(url, {
+      signal: controller.signal,
+      headers: {
+        "User-Agent":
+          "Mozilla/5.0 (compatible; VeilleBot/1.0; +https://itinova.fr)",
+        Accept: "text/html,application/xhtml+xml",
+        "Accept-Language": "fr-FR,fr;q=0.9",
+      },
+    });
+
+    clearTimeout(timer);
+
+    if (!response.ok) return null;
+
+    const contentType = response.headers.get("content-type") ?? "";
+    if (!contentType.includes("text/html")) return null;
+
+    const html = await response.text();
+    const text = extractTextFromHtml(html);
+
+    if (!text || text.length < 50) return null;
+
+    // Limiter à MAX_WORDS mots
+    const words = text.split(/\s+/);
+    const truncated = words.slice(0, MAX_WORDS).join(" ");
+
+    return truncated.length > 50 ? truncated : null;
+  } catch {
+    // Timeout, réseau, CORS, paywall, etc. — silencieux
+    return null;
+  }
+}