feat: centralizza estrazione e raggruppamento link HTML in link_extractor + probe_html_portal

[Gabrymi93]

Cosa cambia

Centralizza nel toolkit tutta la logica di estrazione link da HTML, raggruppamento e probe portali, precedentemente duplicata tra toolkit e source-observatory.

Modifiche

Nuovo modulo: toolkit/scout/link_extractor.py

• DataLink / LinkGroup — dataclass con metadati (url, format, prefix, years)
• extract_data_links() — estrazione link con metadati, unifica le vecchie implementazioni
• group_links() — raggruppamento intelligente per prefisso e pattern URL
• extract_candidate_links() — bridge backward compat

toolkit/scout/probe.py

• PortalProfile — dataclass profilo portale
• probe_html_portal() — probe leggero (robots.txt → sitemap → pagine, RSS, JSON:API)
• fetch_sitemap_pages() — pubblica, estrae URL pagine da sitemap XML
• Probe su domain root oltre che su base_url (sitemap spesso alla root)

toolkit/scout/http.py

• Rimosso _AnchorParser duplicato
• extract_candidate_links() reindirizza a link_extractor

toolkit/mcp/scout_ops.py

• mcp_html_extract_links arricchito: restituisce data_links[] e groups[]
• Campi legacy (links, total, formats) mantenuti per backward compat

Impatto downstream

• source-observatory: branch feat/toolkit-link-extractor corrispondente — importa dal toolkit invece di avere logica propria, rimossa duplicazione _fetch_sitemap, _extract_data_links, _extract_prefix, _extract_years
• sources_registry.yaml: opencivitas passa da page_url_template a discovery: auto
• Nessun cambio contratto: tutte le API pubbliche backward compat

Metriche

Tipo: root fix + contract alignment
Problema reale: 2 implementazioni separate di estrazione link HTML (SO + toolkit),
  con estensioni diverse, nessun raggruppamento
Contratto riusato: toolkit.scout.link_extractor — nuovo contratto centrale
Codice rimosso: ~80 LOC in SO html.py + ~45 LOC _fetch_sitemap + ~20 LOC _AnchorParser
Test: 94 pass (SO 29 + toolkit 65)
Rischio residuo: nessuno — API pubbliche backward compatible
Follow-up: ampliare sitemap discovery a /opendata/sitemap.xml per coprire mim_opendata