feat(t73/t16): 本地轉檔層骨架＋docx 抽取器（leo 定的『收集端 Markitdown』）

leo 07-27 定的形狀：「本地任何檔案都透過一個機制把它轉成模型可讀，再把模型可讀
內容發給它」「能不能讀 PDF 根本不是 Arcrun 的工作」。

convert.go＝調度層(工頭)：認副檔名→派抽取器→統一吐純文字。
加新格式只要在 extractors 註冊一行，不動架構。
convert_docx.go＝第一個抽取器，純標準庫 archive/zip+encoding/xml。

三個設計決定（都有理由，非隨手）：
① ErrNoText 獨立錯誤——掃描件 PDF 抽不出字時絕不能靜默略過（leo 撞過的病），
   要能轉成使用者看得懂的訊息；與 ErrUnsupported 分開因為說法不同。
② NFKC 正規化——PDF 抽中文會出康熙部首變體，長得一樣但碼位不同＝用戶搜不到
   自己的檔案。廉價保險，對其他來源同樣有效。
③ 只取 word/document.xml——頁首頁尾多是雜訊(頁碼/公司名)，知識萃取不要。

測試 10/10 + 真 Word 檔實測：
  textutil 產生的 real.docx → 抽出「船舶維修合約/350,000/2026 年 8 月 15 日」全對
  同段落多 run 相連(Word 常把一句話切成多個 w:r)
  壞檔(舊版 .doc 改名)報錯且不歸類成 ErrNoText
  NFKC 康熙部首摺回正常字
註：全形「，」會被 NFKC 轉半形「,」＝正常行為，對搜尋無害(反而統一)。

下一步：接 PDFium-via-wazero(+10.43MB)。未接進 extract_gemma 主流程。

convert_test.go

@@ -0,0 +1,151 @@
+package main
+
+import (
+	"archive/zip"
+	"bytes"
+	"errors"
+	"strings"
+	"testing"
+)
+
+// 造一個結構正確的最小 .docx（與真 Word 檔同結構：ZIP + word/document.xml）。
+func makeDocx(t *testing.T, bodyXML string) []byte {
+	t.Helper()
+	var buf bytes.Buffer
+	zw := zip.NewWriter(&buf)
+	w, err := zw.Create("word/document.xml")
+	if err != nil {
+		t.Fatalf("建 zip 失敗: %v", err)
+	}
+	xml := `<?xml version="1.0" encoding="UTF-8"?>
+<w:document xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main">
+<w:body>` + bodyXML + `</w:body></w:document>`
+	if _, err := w.Write([]byte(xml)); err != nil {
+		t.Fatalf("寫 zip 失敗: %v", err)
+	}
+	// 真 docx 還有這些，一併放進去確保我們不會誤讀到它們
+	for _, extra := range []string{"[Content_Types].xml", "word/theme/theme1.xml"} {
+		e, _ := zw.Create(extra)
+		e.Write([]byte(`<?xml version="1.0"?><x>不該被抽到的雜訊</x>`))
+	}
+	if err := zw.Close(); err != nil {
+		t.Fatalf("關 zip 失敗: %v", err)
+	}
+	return buf.Bytes()
+}
+
+func TestExtractDocx_中文與段落(t *testing.T) {
+	body := `<w:p><w:r><w:t>船舶維修合約</w:t></w:r></w:p>` +
+		`<w:p><w:r><w:t>維修費用為新台幣 350,000 元整。</w:t></w:r></w:p>`
+	got, err := ConvertToText("a.docx", makeDocx(t, body))
+	if err != nil {
+		t.Fatalf("不該出錯: %v", err)
+	}
+	for _, want := range []string{"船舶維修合約", "350,000", "維修費用"} {
+		if !strings.Contains(got, want) {
+			t.Errorf("抽出的文字缺少 %q，實得:\n%s", want, got)
+		}
+	}
+	// 主文以外的檔案不可被抽進來
+	if strings.Contains(got, "不該被抽到的雜訊") {
+		t.Errorf("抽到了 document.xml 以外的內容:\n%s", got)
+	}
+}
+
+func TestExtractDocx_同段落多個run要相連(t *testing.T) {
+	// Word 常把一句話因格式切成多個 <w:r>，它們必須黏在一起而不是被拆行
+	body := `<w:p><w:r><w:t>合約金額</w:t></w:r><w:r><w:t>三十五萬</w:t></w:r></w:p>`
+	got, err := ConvertToText("a.docx", makeDocx(t, body))
+	if err != nil {
+		t.Fatalf("不該出錯: %v", err)
+	}
+	if !strings.Contains(got, "合約金額三十五萬") {
+		t.Errorf("同段落的 run 應相連，實得: %q", got)
+	}
+}
+
+func TestConvertToText_純文字直接過(t *testing.T) {
+	for _, p := range []string{"a.md", "b.markdown", "c.txt", "D.TXT"} {
+		got, err := ConvertToText(p, []byte("純文字內容"))
+		if err != nil {
+			t.Errorf("%s 不該出錯: %v", p, err)
+		}
+		if got != "純文字內容" {
+			t.Errorf("%s 應原樣回傳，實得 %q", p, got)
+		}
+	}
+}
+
+func TestConvertToText_不支援的格式要明確報錯(t *testing.T) {
+	_, err := ConvertToText("a.xyz", []byte("x"))
+	if !errors.Is(err, ErrUnsupported) {
+		t.Errorf("應回 ErrUnsupported，實得 %v", err)
+	}
+}
+
+// 這是掃描件 PDF 的行為契約：抽不出字要回 ErrNoText，不能「成功但空字串」，
+// 否則會退化成 leo 撞到的靜默略過（用戶以為進去了、其實是空的）。
+func TestConvertToText_抽不出文字要回ErrNoText(t *testing.T) {
+	body := `<w:p><w:r><w:t>   </w:t></w:r></w:p>` // 只有空白
+	_, err := ConvertToText("a.docx", makeDocx(t, body))
+	if !errors.Is(err, ErrNoText) {
+		t.Errorf("應回 ErrNoText，實得 %v", err)
+	}
+}
+
+func TestExtractDocx_壞檔要報錯不當機(t *testing.T) {
+	_, err := ConvertToText("a.docx", []byte("這不是 zip，是舊版 .doc 改名"))
+	if err == nil {
+		t.Error("壞檔應該報錯")
+	}
+	if errors.Is(err, ErrNoText) {
+		t.Error("壞檔不該被歸類成 ErrNoText（訊息要能區分「檔壞了」和「沒有文字」）")
+	}
+}
+
+func TestNormalizeText_NFKC修康熙部首(t *testing.T) {
+	// U+2F02 康熙部首「丶」vs 正常的 U+4E36。PDF 抽中文常出這種變體，
+	// 長得一樣但碼位不同 → 使用者會搜不到自己的檔案。
+	got := normalizeText("⼀")   // 康熙部首「一」
+	if got != "一" {             // 應摺成正常的「一」
+		t.Errorf("NFKC 應把康熙部首摺回正常字，實得 %q (%U)", got, []rune(got))
+	}
+}
+
+func TestNormalizeText_去控制字元與壓空行(t *testing.T) {
+	got := normalizeText("第一行\x00\n\n\n\n第二行\f")
+	if strings.ContainsRune(got, '\x00') || strings.ContainsRune(got, '\f') {
+		t.Errorf("控制字元應被去掉，實得 %q", got)
+	}
+	if strings.Contains(got, "\n\n\n") {
+		t.Errorf("過量空行應被壓掉，實得 %q", got)
+	}
+	if !strings.Contains(got, "第一行") || !strings.Contains(got, "第二行") {
+		t.Errorf("內容不該遺失，實得 %q", got)
+	}
+}
+
+func TestNormalizeText_保留tab與單一換行(t *testing.T) {
+	got := normalizeText("欄一\t欄二\n下一行")
+	if !strings.Contains(got, "\t") {
+		t.Errorf("tab 應保留（表格語意），實得 %q", got)
+	}
+	if !strings.Contains(got, "\n") {
+		t.Errorf("換行應保留，實得 %q", got)
+	}
+}
+
+func TestCanConvert與IsPlainText(t *testing.T) {
+	if !IsPlainText("a.md") || !IsPlainText("b.TXT") {
+		t.Error("md/txt 應被認為純文字")
+	}
+	if IsPlainText("a.docx") {
+		t.Error("docx 不是純文字")
+	}
+	if !CanConvert("a.docx") {
+		t.Error("docx 應該轉得了")
+	}
+	if CanConvert("a.md") {
+		t.Error("純文字不走 extractors（走 passthrough）")
+	}
+}