feat(extractor): implement multi-engine article content extractor

- Added scripts/extract_article_contents.py for batch scraping with stealth Foxcape and triple extraction (Trafilatura, Newspaper4k, Readability)
- Created unit, integration, and E2E test suite in tests/test_extract_article_contents.py (90/90 passing)
- Updated specs/003-article-content-extractor and README.md with usage documentation and CLI contracts
- Passed ruff linting/formatting and mypy type checking cleanly

specs/003-article-content-extractor/data-model.md

@@ -0,0 +1,94 @@
+# Data Model: Article Content Multi-Engine Extractor
+
+## 1. Entities & Value Objects
+
+### 1.1 InputArticle (Value Object)
+Representa uma notícia contida no arquivo JSON de entrada.
+
+| Campo | Tipo | Obrigatório | Descrição |
+|---|---|---|---|
+| `titulo` | `str` | Sim | Título original capturado na busca. |
+| `url` | `str` | Sim | URL final/resolvida da matéria. |
+| `pagina` | `int` | Não (default: 1) | Página em que o artigo foi encontrado. |
+| `subtitulo` | `str | None` | Não | Subtítulo ou resumo do feed RSS. |
+| `quando_publicado` | `str | None` | Não | String de data/hora original da listagem. |
+
+---
+
+### 1.2 TrafilaturaData (Value Object)
+Dados estruturados extraídos pelo motor Trafilatura.
+
+| Campo | Tipo | Descrição |
+|---|---|---|
+| `title` | `str | None` | Título do artigo extraído pelo Trafilatura. |
+| `author` | `str | None` | Autor(es) identificados. |
+| `date` | `str | None` | Data de publicação (ISO YYYY-MM-DD se identificada). |
+| `description` | `str | None` | Descrição editorial / lead. |
+| `categories` | `list[str]` | Categorias editoriais extraídas. |
+| `tags` | `list[str]` | Tags associadas ao artigo. |
+| `canonical_url` | `str | None` | URL canônica declarada no HTML. |
+| `text` | `str` | Texto principal limpo e higienizado. |
+| `raw_json` | `dict[str, Any]` | Payload completo retornado pelo `trafilatura.extract(..., output_format='json')`. |
+| `error` | `str | None` | Mensagem de erro caso o motor falhe. |
+
+---
+
+### 1.3 NewspaperData (Value Object)
+Dados estruturados e enriquecidos com NLP pelo motor Newspaper4k.
+
+| Campo | Tipo | Descrição |
+|---|---|---|
+| `title` | `str | None` | Título identificado pelo Newspaper. |
+| `authors` | `list[str]` | Lista de autores extraídos. |
+| `publish_date` | `str | None` | Data de publicação formatada em ISO string. |
+| `text` | `str` | Texto integral limpo da matéria. |
+| `summary` | `str | None` | Resumo automático gerado pelo módulo de NLP. |
+| `keywords` | `list[str]` | Palavras-chave relevantes identificadas por NLP. |
+| `top_image` | `str | None` | URL da imagem de destaque principal. |
+| `images` | `list[str]` | Lista de URLs de imagens presentes no artigo. |
+| `meta_data` | `dict[str, Any]` | Dicionário com metadados brutos OpenGraph e Schema. |
+| `error` | `str | None` | Mensagem de erro caso o motor falhe. |
+
+---
+
+### 1.4 ReadabilityData (Value Object)
+Dados higienizados pelo algoritmo Readability (`readability-lxml`).
+
+| Campo | Tipo | Descrição |
+|---|---|---|
+| `title` | `str | None` | Título limpo da página. |
+| `short_title` | `str | None` | Título curto/resumido. |
+| `cleaned_html` | `str | None` | Bloco HTML do corpo do artigo higienizado sem anúncios/scripts. |
+| `cleaned_text` | `str | None` | Texto puro derivado do corpo higienizado. |
+| `error` | `str | None` | Mensagem de erro caso o motor falhe. |
+
+---
+
+### 1.5 ExtractedArticle (Entity)
+Resultado consolidado da extração de uma notícia específica.
+
+| Campo | Tipo | Descrição |
+|---|---|---|
+| `input_meta` | `InputArticle` | Metadados da notícia original. |
+| `extraction_status` | `Literal["success", "failed"]` | Status global do processamento do artigo. |
+| `error_message` | `str | None` | Mensagem de erro se o carregamento da página falhou. |
+| `crawled_url` | `str` | URL efetivamente navegada no navegador. |
+| `page_title` | `str | None` | Título retornado pelo DOM (`document.title`). |
+| `http_status` | `int | None` | Código HTTP retornado pelo servidor (se disponível). |
+| `trafilatura` | `TrafilaturaData | None` | Resultado do motor Trafilatura. |
+| `newspaper4k` | `NewspaperData | None` | Resultado do motor Newspaper4k. |
+| `readability` | `ReadabilityData | None` | Resultado do motor Readability. |
+
+---
+
+### 1.6 ExtractionBatchReport (Aggregate Root)
+Relatório consolidado de saída do processamento de um lote.
+
+| Campo | Tipo | Descrição |
+|---|---|---|
+| `source_file` | `str` | Caminho do arquivo JSON de entrada processado. |
+| `processed_at` | `str` | Timestamp ISO 8601 UTC do momento da execução. |
+| `total_articles` | `int` | Total de artigos processados do arquivo de entrada. |
+| `successful_articles` | `int` | Quantidade de artigos extraídos com sucesso. |
+| `failed_articles` | `int` | Quantidade de artigos que falharam na extração. |
+| `articles` | `list[ExtractedArticle]` | Lista de artigos enriquecidos com suas extrações. |