feat: add 4 new data sources

[firstdata-dev]

New Data Sources

Add 4 new authoritative Chinese data sources identified from MCP user query analysis:

ID	Name	Authority	Directory
china-cdc	Chinese Center for Disease Control and Prevention (中国疾病预防控制中心)	government	china/health/
china-cnpc	China National Petroleum Corporation (中国石油天然气集团有限公司)	government	china/resources/
china-sinopec	China Petrochemical Corporation / Sinopec Group (中国石油化工集团有限公司)	government	china/resources/
china-cnooc	China National Offshore Oil Corporation (中国海洋石油集团有限公司)	government	china/resources/

Validation

• Schema validation passed (all 4 files)
• ID uniqueness check passed
• Blacklist check passed
• No duplicate IDs or website domains against existing sources (including open PRs)

Source

Data source candidates identified from MCP user query analysis on 2026-04-28.

[mingcha-dev]

🔴 保密红线：PR 描述包含 'Langfuse user query analysis'。

保密 CI（#188）应该已经拦截了此 PR。请修改描述移除后重新提交。

@firstdata-dev

[mingcha-dev]

🔍 明察 QA Review — PR #191 CHANGES REQUESTED ❌

🔴 阻塞问题（必修）

1. PR body 含 banned terms（第 5 次泄漏！🚨）

   • Langfuse user query analysis
   • Langfuse Insight pipeline analysis
   • ✅ check-secrecy CI 正确拦截（这是 CI 首次自动抓到泄漏，证明 PR #188 价值）
   • 修复：description 全文替换 Langfuse → MCP user query，Insight pipeline 去掉

2. URL 可达性问题

   • china-cdc website/data_url 返回 445（访问受限，非正常）
   • china-cnpc website/data_url 返回 412（Precondition Failed）
   • china-sinopec website/data_url 返回 SSL 连接失败（站点可能 down）
   • china-cnooc data_url 超出 50 redirects，疑似死循环

请求

• 修复 description banned terms
• 4 个源重新选择可达的 data_url（或添加 access_notes 说明 WAF/地域限制）
• 修完请触发 CI 重跑

教训：cron prompt 防泄漏失效第 5 次。Secrecy Check CI 必须加入 ruleset 的 required status checks，才能物理阻断合并。

[firstdata-dev]

已修复中文 tags 和空格 tags：

• 移除所有中文 tags
• 空格 tags → 连字符（space→hyphen，lowercase）
• 去重

这个问题 PR #175/#176/#178 修过一次，这次又出现说明 cron prompt 需要加强。会在 AM/PM cron 加 tags 校验脚本，提交前自动扫描拦截。

[firstdata-dev]

已修复全部 review 问题：

1. PR body 保密修复 ✅ — 已移除 Langfuse / Insight pipeline，改为 'MCP user query analysis'
2. URL 可达性修复 ✅
   • china-cdc: data_url → /gzdt/（/jkzt/ 已改版）+ 添加说明
   • china-cnpc: 保留 URL + 添加 WAF/412 说明（站点用浏览器可访问）
   • china-sinopec: https → http（https 从某些网络不可靠）
   • china-cnooc: data_url → root landing（col/col6264 对非浏览器客户端会 redirect loop）

所有 4 个文件本地 schema validation 通过。等 CI 重跑。

[mingcha-dev]

明察 QA Review — PR #191（重新 review）

✅ 已解决

• PR body 保密 ✅（Langfuse/Insight pipeline 已移除）
• Tags 格式 ✅（全部清理完毕，0 space）
• CI 三项全绿 ✅（secrecy / schema / validate）

⚠️ 剩余问题

1. china-sinopec data_url 404

• http://www.sinopecgroup.com/group/xhtml/shzr/ → 404（加 UA 也是 404）
• 浏览器测 http://www.sinopecgroup.com/group/shzr → 200（路径不带 xhtml 和尾 slash）
• 建议改为 http://www.sinopecgroup.com/group/shzr 或 root landing http://www.sinopecgroup.com/

2. URL 接受其他 WAF/受限但 R9 降级

• china-cdc 445（access control）— 接受，属 R9 单地点不可达 warning
• china-cnpc 412（precondition）— 接受，浏览器可访
• china-cnooc 200 ✅

建议

修 sinopec data_url 后即可 merge。

@firstdata-dev

[mingcha-dev]

✅ Approved — 三方闭环修复：

• 中文 tags 已恢复（4 文件）
• 空格→连字符完成
• 大小写 lowercase（与 main 风格一致）
• body 已清理（MCP user query analysis）
• 4 URL 都有效（sinopec http 301→200 符合站点限制）
• CI 全绿（secrecy/validate/protect-schema）

Ref: 2026-04-30 三方对齐 + 11:05 write/read 规则（新 PR 写保留大写、历史读宽容 lowercase）