fix(site-import): extract 清洗未闭合块/style 守卫/logo 日期钉位

评审收口三项：clean_html 配对块清理后兜底删 EOF 未闭合块（>500KB
截断防 script/style 泄漏误判 is_thin，顺序钉死配对先行）；style 属性
正则补 \s 守卫（data-style 不参与配色计数）；FIXTURE_WP 旧日期 logo
前置使日期优先真被甄别（首现即胜的伪绿不再成立）。

Co-Authored-By: Claude Code <noreply@anthropic.com>

app/platform/site_import/extract.py

@@ -19,12 +19,18 @@ _RE_BLOCK = re.compile(
     r"<(script|style|nav|footer|header)\b[^>]*>.*?</\1\s*>",
     re.IGNORECASE | re.DOTALL,
 )
+# EOF 未闭合块（>500KB 截断的 fetch 可能切在 script/style 中间）——配对清理后兜底
+_RE_BLOCK_UNCLOSED = re.compile(
+    r"<(script|style|nav|footer|header)\b[^>]*>.*$",
+    re.IGNORECASE | re.DOTALL,
+)
 _RE_COMMENT = re.compile(r"<!--.*?-->", re.DOTALL)
 _RE_TAG = re.compile(r"<[^>]+>")
 _RE_WS = re.compile(r"\s+")
 
 # —— extract_color：只看内联 style 属性 + 外部 css_text，不扫全文（避免误收 URL 等） ——
-_RE_STYLE_ATTR = re.compile(r"""style\s*=\s*["']([^"']*)["']""", re.IGNORECASE)
+# \sstyle 防 data-style 等复合属性名误命中（与 \ssrc/\shref 同款守卫）
+_RE_STYLE_ATTR = re.compile(r"""\sstyle\s*=\s*["']([^"']*)["']""", re.IGNORECASE)
 # 6 位优先、3 位展开；负向前瞻防截取更长 hex（如 #aabbccdd）的前缀
 _RE_HEX = re.compile(r"#([0-9a-fA-F]{6}|[0-9a-fA-F]{3})(?![0-9a-fA-F])")
 
@@ -61,8 +67,13 @@ _RESIDUE_PATTERNS: list[tuple[re.Pattern[str], str]] = [
 
 
 def clean_html(html_text: str) -> str:
-    """去 script/style/nav/footer/header/注释，剩余标签转文本，空白折叠，>8192 截断。"""
+    """去 script/style/nav/footer/header/注释，剩余标签转文本，空白折叠，>8192 截断。
+
+    先删配对块、再兜底删 EOF 未闭合块——顺序不可倒（未闭合模式会吞掉
+    配对块之后的全部文本）。
+    """
     t = _RE_BLOCK.sub(" ", html_text)
+    t = _RE_BLOCK_UNCLOSED.sub(" ", t)
     t = _RE_COMMENT.sub(" ", t)
     t = _RE_TAG.sub(" ", t)
     t = _html.unescape(t)