feat(dataset): 原生支持 OFD 文档解析与解析失败诊断错误码

[sunjiaqi52777]

• .ofd 加入内置文档扩展名白名单，前端上传与后端校验自动放行
• worker 新增 OFD 解析器：zip + XML 提取 TextObject/TextCode，按版面启发式（坐标分行、字号识别标题、过滤页码）输出 Markdown；按 localName 匹配节点以兼容各厂商命名空间，拒绝加密文件
• 解析分派：已配置 sangfor 外部解析服务且扩展名命中时优先走服务，否则回落内置解析器，上层契约不变
• 新增 6 个解析失败诊断错误码（四语种 i18n）；sangfor 与 anydoc 的失败统一映射为诊断码 UserError，原始错误信息只进日志

[c121914yu]

建议这里超过 2000 页时直接拒绝解析，而不是 slice(0, MAX_PAGE_COUNT) 后继续返回成功结果。当前行为会静默丢弃第 2001 页及之后的内容，最终写入不完整的知识库数据。请改为抛出明确的解析诊断错误（例如 officeConversionFailed 或新增专用错误码），并补充超过 2000 页的测试，验证不会返回部分 Markdown。

[c121914yu]

补充几个需要合并前处理的风险点：

1. [高] packages/service/worker/readFile/extension/ofd.ts:275-295 使用 JSZip.loadAsync 和 contentFile.async('string')，没有 ZIP entry 数量、总解压大小或单个 XML 大小上限。压缩文件大小不能约束解压后的内存，恶意 ZIP bomb/超大 XML 可能拖垮 worker；建议增加预检或流式解压限制，并覆盖资源边界测试。

2. [高] ofd.ts:252-268, 290-296 对 XML parse error 没有显式校验，缺失 Content.xml 时直接 continue，缺失 Pages 也会返回空文本。损坏或不完整 OFD 可能被当作成功，写入空/部分知识库内容；建议缺失声明页面资源或 XML 无法解析时统一返回 invalidParseFile，并补充对应测试。

3. [中] ofd.ts:134-149 的基准字号算法在“正文是最小字号且出现次数最多、文档没有页码”的正常文档中会把标题字号当成基准，导致标题无法识别。建议增加无页码真实样本测试并调整启发式。

4. 当前 OFD 测试主要是人工构造 XML，worker integration 测试未实际执行；建议补充真实 WPS/厂商 OFD 样本，以及 malformed XML、缺页、CDATA 和 worker 分派端到端测试。

[c121914yu]

关于 ZIP/XML 资源风险，建议按仓库现有 Office 解析器的方式落地，参考 packages/service/worker/readFile/parseOffice.ts:56-160 和 packages/service/worker/readFile/extension/xlsxPreflight.ts:462-583：

• 将 ofd.ts:275-295 的 JSZip.loadAsync 改为已有依赖 yauzl 的 fromBuffer(buffer, { lazyEntries: true, validateEntrySizes: true, strictFileNames: true })。
• 增加三层限制：ZIP entry 数量、单个 XML 解压大小、所有待解析 XML 的累计解压大小。初始值可以先与 PPTX 对齐，例如 maxEntries=10000、单文件 10 MiB、累计 100 MiB，再用真实 OFD 样本校准。
• 只读取 OFD.xml、Document.xml 和页面 Content.xml，通过 openReadStream 流式读取；entry 的 uncompressedSize 只能作为前置检查，仍需在 data chunk 中累计真实解压字节数，超限立即销毁 stream 并返回解析诊断错误。
• 读取失败时确保 zip.close()，避免异常路径留下资源；不要把整个 ZIP 或所有页面 XML 一次性 materialize 到内存。
• 补充 entry 数量超限、单 XML 超限、累计 XML 超限和损坏 ZIP 的单测。当前 service 已有 yauzl，不需要新增依赖。

这样可以同时防 ZIP bomb、伪造解压大小和超大页面 XML；现有的 2000 页限制则继续单独处理为直接拒绝。

[c121914yu]

感谢贡献！关于解析错误处理有两点小建议：

1. 清理未使用的 docx 错误码与语言包残留
   在最新提交中已保留 docx 原有的转 PDF 提示，目前以下几处定义已无引用，建议同步清理：

   • packages/global/common/error/code/common.ts: CommonErrEnum.docxParseInvalid、CommonErrEnum.docxConversionFailed 及对应 datasetErr 数组项
   • packages/service/thirdProvider/sangfor/index.ts: ACCEPTED_PARSE_STATUS_TEXTS 白名单中的对应项
   • packages/web/i18n/{en, zh-CN, zh-Hant, ko-KR}/file.json: docx_parse_invalid 与 docx_conversion_failed 词条

2. 注意本地文件解析异常的兜底范围
   在 packages/service/common/file/read/utils.ts (L408-L420) 中，顶层对非白名单异常一律兜底抛出 CommonErrEnum.pdfParseFailed。
   这会导致 docx 抛出的 Can not read doc file, please convert to PDF（以及其他本地常规文件原有的错误提示）被抹平为通用的“文档解析失败，请稍后重试”，用户丢失了转 PDF 的引导。建议将该兜底逻辑仅约束在 OFD 或外部增强解析路径，避免影响常规本地文档的原有提示。

[sunjiaqi52777]

@c121914yu 余总，docxParseInvalid/docxConversionFailed 这两个码是 sangfor外部解析服务契约，外部服务解析 docx 失败时可能返回。删除后服务返回这两个码会兜底成 pdfParseFailed，麻烦看下能否保留

[c121914yu]

@c121914yu 余总，docxParseInvalid/docxConversionFailed 这两个码是 sangfor外部解析服务契约，外部服务解析 docx 失败时可能返回。删除后服务返回这两个码会兜底成 pdfParseFailed，麻烦看下能否保留

那加个注释