fix: campo CITE AS seleciona nota de rodapé errada e quebra espaçamento sem volume

[Rossi-Luciano]

O que esse PR faz?

Corrige a issue #1349: o campo CITE AS do rodapé da página 1 tinha dois problemas.

extract_cite_as_part_one pegava a primeira <fn fn-type="other"> do documento, sem checar o <label>. fn-type="other" é uma categoria genérica do JATS usada para qualquer tipo de nota (institucional, declaração de uso de IA, códigos JEL, política de plágio, registro ZooBank), então o CITE AS - que deveria ser uma citação bibliográfica - imprimia conteúdo errado em 7 de 26 artigos do corpus de teste, incluindo um caso (a29.xml) em que a nota correta existia no mesmo fn-group mas não era a primeira.

docx_cite_as_pipe montava cite_as_part_two como f'{volume}: {location}' sem checar se volume existia, deixando um : solto quando o XML não tem <volume> (ex: "Cadernos Pagu : e236720.").

Onde a revisão poderia começar?

packtools/sps/formats/pdf/pipeline/xml.py, função extract_cite_as_part_one, e packtools/sps/formats/pdf/pipeline/docx.py, novo helper _format_cite_as_part_two e seu uso em docx_cite_as_pipe.

Como este poderia ser testado manualmente?

1. Gerar o PDF de a11.xml do corpus de teste, cuja primeira <fn fn-type="other"> é uma nota institucional.
2. Antes: CITE AS: Trabalho realizado na Universidade Federal de Pernambuco - UFPE - Recife (PE), Brasil.Audiology - Communication Research 28: e2725.
3. Depois: CITE AS: Audiology - Communication Research 28: e2725.
4. Gerar o PDF de a18.xml (sem <volume>).
5. Antes: CITE AS: Cadernos Pagu : e236720. Depois: CITE AS: Cadernos Pagu e236720.
6. pytest tests/sps/formats/pdf/pipeline/test_xml.py tests/sps/formats/pdf/pipeline/test_docx.py cobre os dois casos com 6 testes de regressão novos.

Algum cenário de contexto que queira dar?

Achado revisando o PR #1326: o @pitangainnovare notou o espaçamento quebrado sem volume no CITE AS e sugeriu abrir uma issue separada, já que "o problema não é só esse". Investigando a fundo, a causa maior é a seleção da nota errada (fn-type="other" sendo tratado como sinônimo de "nota de citação", o que não é garantido pelo JATS).

Validado contra as 26 amostras do corpus de teste: 6 casos que vazavam conteúdo errado (a10, a11, a12, a20, a24, a28) agora retornam vazio corretamente; a29 passou a capturar a nota real de citação em vez de uma URL do ZooBank; os 3 casos que já funcionavam (a8, a17, a30) continuam corretos e ganharam texto completo (antes truncado por usar .text em vez de itertext).

Screenshots

a11.xml (nota institucional sendo usada como citação):

a18.xml (sem volume, espaçamento quebrado):

Quais são os tickets relevantes?

Issue #1349

Referências

Comentário original do @pitangainnovare: #1326 (review)

---

Segurança da informação (NSI.04)

Seção obrigatória. Marque as opções aplicáveis e justifique quando necessário. Referência: NSI.04 - Norma de Desenvolvimento Seguro.

Este PR manipula dados sensíveis ou pessoais (LGPD)?

• Sim — descreva os controles de proteção aplicados (criptografia, mascaramento, anonimização, etc.):
• Não

Este PR altera autenticação, autorização, controle de acesso ou gerenciamento de sessão?

• Sim — descreva o que mudou e por quê:
• Não

Este PR introduz, atualiza ou remove dependências de terceiros?

• Sim — as novas dependências foram verificadas no SBOM/Trivy sem vulnerabilidades críticas/altas em aberto?
  • Verificado e aprovado
  • Pendente / vulnerabilidade aceita com justificativa:
• Não

Este PR foi validado pelo pipeline de segurança (SonarQube / Trivy)?

• Sim — link do job:
• Não aplicável a este PR (justifique): mudança pontual de extração/formatação de texto, sem alteração de infraestrutura, dependências ou pipeline.

Este PR concatena, monta ou executa comandos SQL, HTML ou JavaScript a partir de entrada externa?

• Sim — confirme que há sanitização/parametrização (prepared statements, escaping, etc.):
• Não

Este PR expõe novos endpoints, telas ou serviços?

• Sim — HTTPS obrigatório está garantido e o acesso segue o princípio de menor privilégio?
• Não

Algum segredo, senha, chave ou token está sendo adicionado ao código-fonte?

• Não, nenhum segredo foi commitado
• Sim (bloquear merge e corrigir antes de prosseguir)

[pitangainnovare]

A correção resolve a seleção da primeira fn-type="other", mas o resultado ainda não produz uma referência bibliográfica cientificamente correta.

Quando existe uma nota editorial de “Como citar”, ela já contém a referência completa e deve ser usada integralmente, sem acrescentar novamente periódico, volume e localização. No estado atual, casos como a8 e a29 ficam duplicados ou concatenados sem espaço; em a3, o resultado começa com CITE AS: Como citar:.

Quando a nota não existe, como em a7 e a28, os PDFs originais mostram que o comportamento esperado não é deixar o campo vazio nem gerar apenas Periódico volume: localização. Deve ser construída uma referência completa a partir dos metadados — autores, ano, título, periódico, volume/número, páginas ou e-location e DOI — segundo um formato explicitamente definido.

Também considero frágil identificar a nota apenas por 'cit' in signal.lower(), pois isso admite falsos positivos e pode ignorar uma citação cujo label seja genérico, mas cujo p comece com “Como citar”.

Solicito ajustar o PR e a issue #1349 para definir e testar estes dois caminhos:

1. nota editorial explícita: utilizar a citação completa uma única vez;
2. ausência da nota: gerar uma referência bibliográfica completa e determinística a partir dos metadados.

Os testes devem validar o texto final do DOCX, incluindo pelo menos a3, a7, a8, a28 e a29, e não apenas extrator e renderer isoladamente.