fix(extract): セクション抽出の bleed と same-ID 巻き戻しを解消

[beatinaniwa]

Summary

EDINET 有価証券報告書を edinet-cli doc text --section <id> で取り出すとき、 2 つの独立したバグで内容が壊れていたのを修正しました。

バグ 1: Bleed across unknown headings

walkForSections は KnownSections に含まれる heading 同士の境界でしか section を flush しない実装でした。 EDINET 有報は KnownSections 外の章 (「関係会社の状況」「経営方針」「サステナビリティ」「株式事務の概要」 等) を多数挟む構造のため、 一度 section が開くと 次の KnownSections マッチ heading まで全部 取り込んでしまい、 結果として隣接章のテキストが漏れていました。

実例: 日本マクドナルド HD 第55期 (S100XS22) の employees セクションは 12,737 chars で返り、 実際の従業員情報は約 1,500 chars。 残り約 11,000 chars は 第２【事業の状況】 → 経営方針 → サステナビリティ までの bleed でした。

バグ 2: Same-ID nested heading が content を吹き飛ばす

EDINET 有報には親 heading 「コーポレート・ガバナンスの状況等」 (h3) と直後に子 heading 「コーポレート・ガバナンスの概要」 (h4) が並ぶケースがあり、 両方とも KnownSections の governance に `strings.Contains` で一致します。 旧実装はマッチするたびに section を flush + `text.Reset()` していたので、 親の section が空のまま登録され、 子の section が次に登録される。 `cmd/doc.go` の selector は 最初に ID 一致した section を返す ので、 結果として governance がほぼ空 (raw=0) で返っていました。

Changes

`internal/extract/html.go`

• `sectionWalkState` を導入し、 現在開いている section の 開始 heading の depth (h-level) を追跡
• マッチする heading が 同じ ID の場合、 flush せず sub-heading として扱い text 蓄積を継続
• マッチしない heading が 同じか浅い depth で出現したら、 section 境界として flush。 sub-heading (深い h-level) は section 内に保持
• 最後に `mergeAdjacentSameIDSections` で同 ID 連続 section をマージ (edge case 用 safety net)

`cmd/doc.go`

• `--section` の selector を 「最初に一致した section」 → 「最も text が長い一致 section」 に変更

`internal/extract/html_test.go`

• `TestExtractSections_BleedAcrossUnknownHeadings`: 従業員 → 関係会社 → 第２章 → 経営方針 → サステナビリティ → 事業等のリスク のシーケンスで bleed が起きないこと
• `TestExtractSections_SameIDNestedHeading`: コーポレート・ガバナンスの状況等 (h3) + コーポレート・ガバナンスの概要 (h4) の入れ子で content がすべて governance に集約されること
• `TestMergeAdjacentSameIDSections`: merge safety net の動作確認

実 EDINET docID での検証

S100XS22 (日本マクドナルド HD 第55期):

• governance: 0 chars (empty) → 30,201 chars ✅
• employees: 12,737 chars (bleed_truncated) → 1,573 chars (bleed なし) ✅

回帰確認:

• S100XUBI (すかいらーく HD): governance 0 → 38,068、 employees 17,152(bleed) → 1,567
• S100XTNW (楽天グループ): governance 0 → 8,813、 employees 27,184(bleed) → 2,337、 mda 7,859 → 14,985 (silent truncation も解消)

Test plan

• `go test ./...` 全件パス (internal/extract に新規 3 テスト追加)
• S100XS22 で governance / employees の手動確認 (bleed が消え、 隣接章テキストが含まれないこと)
• S100XUBI / S100XTNW で回帰確認 (既存の正常 section が壊れないこと、 empty / bleed_truncated が解消すること)

影響範囲

• `doc text --section ` の結果が EDINET 有報全般で改善 (特に governance / employees / mda)
• 既存に raw=0 で empty 扱いしていた governance、 bleed_truncated していた employees が正しく取れる
• 過去に取得済の section JSON も、 このバージョンで再 ingest すべき (silent truncation で短く取れていた可能性あり)