refactor: 统一 HTML Reader 的 parse 签名，使用文件路径参数

将所有 HTML Parser 的函数签名从接收 HTML 字符串改为接收文件路径，
与其他 Reader（PDF、DOCX 等）保持一致。

主要变更：
- 修改 PARSERS 列表，移除 lambda 表达式，直接传递函数引用
- 在 HtmlReader.parse() 中统一管理临时文件（UTF-8 编码）
- 每个 Parser 使用独立的临时文件副本，用完即清理
- 移除 download_and_parse() 方法，逻辑合并到 parse() 中
- 更新相关测试，改为直接传递文件路径

受影响的 Parser：
- trafilatura.parse(html_content) -> parse(file_path)
- domscribe.parse(html_content) -> parse(file_path)
- markitdown.parse(html_content, temp_file_path) -> parse(file_path)
- html2text.parse(html_content) -> parse(file_path)

openspec/specs/html-reader/spec.md

@@ -28,7 +28,7 @@ HTML/URL 文档解析能力，支持多种解析方法。
 
 #### Scenario: HTML reader 解析 URL
 - **WHEN** 调用 HtmlReader.parse(input_path) 且 input_path 为 URL
-- **THEN** 系统调用内部的 download_and_parse() 方法
+- **THEN** 系统在内部处理 URL 下载和解析
 
 #### Scenario: 按优先级尝试下载器
 - **WHEN** 输入为 URL
@@ -215,19 +215,41 @@ HTML/URL 文档解析能力，支持多种解析方法。
 - **THEN** 系统返回错误信息包含编码检测失败原因
 
 ### Requirement: HTML reader 统一处理 URL 和文件
-系统 SHALL 在 HTML reader 的 parse() 方法中统一处理 URL 和本地文件。
+系统 SHALL 在 HTML reader 的 `parse()` 方法中统一处理 URL 和本地文件，无需单独的 `download_and_parse()` 方法。
 
 #### Scenario: parse() 判断输入类型
-- **WHEN** 调用 HtmlReader.parse(file_path)
+- **WHEN** 调用 `HtmlReader.parse(file_path)`
 - **THEN** 系统判断 file_path 是 URL 还是本地文件
 
-#### Scenario: URL 调用 download_and_parse
+#### Scenario: URL 下载后解析
 - **WHEN** file_path 为 URL
-- **THEN** 系统调用 self.download_and_parse(file_path)
+- **THEN** 系统下载 HTML 内容
+- **AND** 清理 HTML 内容
+- **AND** 创建临时文件（UTF-8 编码）
+- **AND** 传递临时文件路径给各 parser
 
 #### Scenario: 本地文件读取并解析
 - **WHEN** file_path 为本地文件
-- **THEN** 系统使用编码检测读取文件，然后解析 HTML 内容
+- **THEN** 系统使用编码检测读取文件
+- **AND** 清理 HTML 内容
+- **AND** 创建临时文件（UTF-8 编码）或使用原文件路径
+- **AND** 传递文件路径给各 parser
+
+### Requirement: 每个 HTML Parser 接收文件路径
+每个 HTML parser SHALL 接收文件路径作为输入，而非 HTML 字符串。
+
+#### Scenario: Parser 接收 file_path
+- **WHEN** `HtmlReader.parse()` 调用 parser
+- **THEN** parser 接收 `file_path: str` 参数
+
+#### Scenario: Parser 内部读取文件
+- **WHEN** parser 解析 HTML
+- **THEN** parser 内部使用 UTF-8 编码读取文件内容
+
+#### Scenario: Parser 独立临时文件
+- **WHEN** 多个 parser 依次尝试
+- **THEN** 每个 parser 使用独立的临时文件副本
+- **AND** 用完后立即清理临时文件
 
 ### Requirement: HTML reader supports() 支持 URL
 系统 SHALL 在 HTML reader 的 supports() 方法中同时支持 URL 和 HTML 文件扩展名。

scripts/readers/html/__init__.py

@@ -1,6 +1,7 @@
 """HTML/URL 文件阅读器，支持多种解析方法。"""
 
 import os
+import tempfile
 from typing import List, Optional, Tuple
 
 from scripts.readers.base import BaseReader
@@ -16,10 +17,10 @@ from . import html2text
 
 
 PARSERS = [
-    ("trafilatura", lambda c, t: trafilatura.parse(c)),
-    ("domscribe", lambda c, t: domscribe.parse(c)),
-    ("MarkItDown", lambda c, t: markitdown.parse(c, t)),
-    ("html2text", lambda c, t: html2text.parse(c)),
+    ("trafilatura", trafilatura.parse),
+    ("domscribe", domscribe.parse),
+    ("MarkItDown", markitdown.parse),
+    ("html2text", html2text.parse),
 ]
 
 
@@ -29,61 +30,49 @@ class HtmlReader(BaseReader):
     def supports(self, file_path: str) -> bool:
         return is_url(file_path) or file_path.lower().endswith(('.html', '.htm'))
 
-    def download_and_parse(self, url: str) -> Tuple[Optional[str], List[str]]:
-        """下载 URL 并解析"""
+    def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
+        """解析 HTML 文件或 URL"""
         all_failures = []
 
-        # 下载 HTML
-        html_content, download_failures = downloader.download_html(url)
+        # 步骤 1: 获取 HTML 内容
+        if is_url(file_path):
+            # URL 路径: 下载 HTML
+            html_content, download_failures = downloader.download_html(file_path)
             all_failures.extend(download_failures)
-
             if html_content is None:
                 return None, all_failures
-
-        # 清理 HTML
-        html_content = cleaner.clean_html_content(html_content)
-
-        # 解析 HTML
-        content, parse_failures = self._parse_html_content(html_content, None)
-        all_failures.extend(parse_failures)
-
-        return content, all_failures
-
-    def _parse_html_content(self, html_content: str, temp_file_path: Optional[str]) -> Tuple[Optional[str], List[str]]:
-        """解析 HTML 内容"""
-        failures = []
-        content = None
-
-        for parser_name, parser_func in PARSERS:
-            content, error = parser_func(html_content, temp_file_path)
-            if content is not None:
-                return content, failures
         else:
-                failures.append(f"- {parser_name}: {error}")
-
-        return None, failures
-
-    def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
-        all_failures = []
-
-        # 判断输入类型
-        if is_url(file_path):
-            return self.download_and_parse(file_path)
-
-        # 检查文件是否存在
+            # 本地文件路径: 读取文件
             if not os.path.exists(file_path):
                 return None, ["文件不存在"]
-
-        # 读取本地 HTML 文件，使用编码检测
             html_content, error = encoding_detection.read_text_file(file_path)
             if error:
                 return None, [f"- {error}"]
 
-        # 清理 HTML
+        # 步骤 2: 清理 HTML 内容
         html_content = cleaner.clean_html_content(html_content)
 
-        # 解析 HTML
-        content, parse_failures = self._parse_html_content(html_content, file_path)
-        all_failures.extend(parse_failures)
+        # 步骤 3: 对每个 Parser 创建独立的临时文件并尝试解析
+        for parser_name, parser_func in PARSERS:
+            # 创建临时文件
+            fd, temp_file_path = tempfile.mkstemp(suffix='.html', text=True)
+            try:
+                # 写入清理后的 HTML 内容（UTF-8 编码）
+                with os.fdopen(fd, 'w', encoding='utf-8') as f:
+                    f.write(html_content)
 
+                # 调用 Parser 解析
+                content, error = parser_func(temp_file_path)
+                if content is not None:
                     return content, all_failures
+                else:
+                    all_failures.append(f"- {parser_name}: {error}")
+            finally:
+                # 清理临时文件
+                try:
+                    os.unlink(temp_file_path)
+                except Exception:
+                    pass
+
+        # 所有 Parser 都失败
+        return None, all_failures

scripts/readers/html/domscribe.py

@@ -3,13 +3,21 @@
 from typing import Optional, Tuple
 
 
-def parse(html_content: str) -> Tuple[Optional[str], Optional[str]]:
-    """使用 domscribe 解析 HTML"""
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 domscribe 解析 HTML 文件"""
     try:
         from domscribe import html_to_markdown
     except ImportError:
         return None, "domscribe 库未安装"
 
+    try:
+        with open(file_path, 'r', encoding='utf-8') as f:
+            html_content = f.read()
+    except FileNotFoundError:
+        return None, f"文件不存在: {file_path}"
+    except Exception as e:
+        return None, f"读取文件失败: {str(e)}"
+
     try:
         options = {
             'extract_main_content': True,

scripts/readers/html/html2text.py

@@ -3,13 +3,21 @@
 from typing import Optional, Tuple
 
 
-def parse(html_content: str) -> Tuple[Optional[str], Optional[str]]:
-    """使用 html2text 解析 HTML（兜底方案）"""
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 html2text 解析 HTML 文件（兜底方案）"""
     try:
         import html2text
     except ImportError:
         return None, "html2text 库未安装"
 
+    try:
+        with open(file_path, 'r', encoding='utf-8') as f:
+            html_content = f.read()
+    except FileNotFoundError:
+        return None, f"文件不存在: {file_path}"
+    except Exception as e:
+        return None, f"读取文件失败: {str(e)}"
+
     try:
         converter = html2text.HTML2Text()
         converter.ignore_emphasis = False

scripts/readers/html/markitdown.py

@@ -1,39 +1,24 @@
 """使用 MarkItDown 解析 HTML"""
 
-import os
-import tempfile
 from typing import Optional, Tuple
 
 
-def parse(html_content: str, temp_file_path: Optional[str] = None) -> Tuple[Optional[str], Optional[str]]:
-    """使用 MarkItDown 解析 HTML"""
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 MarkItDown 解析 HTML 文件"""
     try:
         from markitdown import MarkItDown
     except ImportError:
         return None, "MarkItDown 库未安装"
 
     try:
-        input_path = temp_file_path
-        if not input_path or not os.path.exists(input_path):
-            # 创建临时文件
-            fd, input_path = tempfile.mkstemp(suffix='.html')
-            with os.fdopen(fd, 'w', encoding='utf-8') as f:
-                f.write(html_content)
-
         md = MarkItDown()
         result = md.convert(
-            input_path,
+            file_path,
             heading_style="ATX",
             strip=["img", "script", "style", "noscript"],
         )
         markdown_content = result.text_content
 
-        if not temp_file_path:
-            try:
-                os.unlink(input_path)
-            except Exception:
-                pass
-
         if not markdown_content.strip():
             return None, "解析内容为空"
         return markdown_content, None

scripts/readers/html/trafilatura.py

@@ -3,13 +3,21 @@
 from typing import Optional, Tuple
 
 
-def parse(html_content: str) -> Tuple[Optional[str], Optional[str]]:
-    """使用 trafilatura 解析 HTML"""
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 trafilatura 解析 HTML 文件"""
     try:
         import trafilatura
     except ImportError:
         return None, "trafilatura 库未安装"
 
+    try:
+        with open(file_path, 'r', encoding='utf-8') as f:
+            html_content = f.read()
+    except FileNotFoundError:
+        return None, f"文件不存在: {file_path}"
+    except Exception as e:
+        return None, f"读取文件失败: {str(e)}"
+
     try:
         markdown_content = trafilatura.extract(
             html_content,

tests/test_readers/test_html/test_consistency.py

@@ -25,20 +25,16 @@ class TestHtmlReadersConsistency:
             </html>
         """)
 
-        # 读取 HTML 内容
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-
         parsers = [
-            ("html2text", lambda c: html2text.parse(c)),
-            ("markitdown", lambda c: markitdown.parse(c, file_path)),
-            ("trafilatura", lambda c: trafilatura.parse(c)),
-            ("domscribe", lambda c: domscribe.parse(c)),
+            ("html2text", html2text.parse),
+            ("markitdown", markitdown.parse),
+            ("trafilatura", trafilatura.parse),
+            ("domscribe", domscribe.parse),
         ]
 
         successful_results = []
         for name, parser in parsers:
-            content, error = parser(html_content)
+            content, error = parser(file_path)
             if content is not None and content.strip():
                 successful_results.append((name, content))
 

tests/test_readers/test_html/test_domscribe_html.py

@@ -10,36 +10,27 @@ class TestDomscribeHtmlReaderParse:
     def test_normal_file(self, temp_html):
         """测试正常 HTML 文件解析。"""
         file_path = temp_html(content="<h1>标题</h1><p>段落内容</p>")
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-        content, error = domscribe.parse(html_content)
+        content, error = domscribe.parse(file_path)
         if content is not None:
             assert "标题" in content or "段落" in content
 
     def test_file_not_exists(self, tmp_path):
         """测试文件不存在的情况。"""
-        html_content = "<p>测试</p>"
-        content, error = domscribe.parse(html_content)
-        assert content is not None or error is not None
+        non_existent_path = str(tmp_path / "non_existent.html")
+        content, error = domscribe.parse(non_existent_path)
+        assert content is None
+        # 如果库未安装，也会返回 None，但错误信息不同
+        assert error is not None
 
     def test_empty_file(self, temp_html):
         """测试空 HTML 文件。"""
         file_path = temp_html(content="<html><body></body></html>")
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-        content, error = domscribe.parse(html_content)
+        content, error = domscribe.parse(file_path)
         assert content is None or content.strip() == ""
 
-    def test_corrupted_file(self, temp_html, tmp_path):
-        """测试损坏的 HTML 文件。"""
-        html_content = "\xff\xfe\x00\x00"
-        content, error = domscribe.parse(html_content)
-
     def test_special_chars(self, temp_html):
         """测试特殊字符处理。"""
         file_path = temp_html(content="<p>中文测试 😀 ©®</p>")
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-        content, error = domscribe.parse(html_content)
+        content, error = domscribe.parse(file_path)
         if content is not None:
             assert "中文" in content or "测试" in content

tests/test_readers/test_html/test_markitdown_html.py

@@ -10,38 +10,26 @@ class TestMarkitdownHtmlReaderParse:
     def test_normal_file(self, temp_html):
         """测试正常 HTML 文件解析。"""
         file_path = temp_html(content="<h1>标题</h1><p>段落内容</p>")
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-        content, error = markitdown.parse(html_content, file_path)
+        content, error = markitdown.parse(file_path)
         if content is not None:
             assert "标题" in content or "段落" in content
 
     def test_file_not_exists(self, tmp_path):
         """测试文件不存在的情况。"""
-        html_content = "<p>测试</p>"
-        content, error = markitdown.parse(html_content, None)
-        # markitdown 应该能解析内容
-        assert content is not None or error is not None
+        non_existent_path = str(tmp_path / "non_existent.html")
+        content, error = markitdown.parse(non_existent_path)
+        # markitdown 库自己会处理文件不存在的情况
+        assert content is None or error is not None
 
     def test_empty_file(self, temp_html):
         """测试空 HTML 文件。"""
         file_path = temp_html(content="<html><body></body></html>")
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-        content, error = markitdown.parse(html_content, file_path)
+        content, error = markitdown.parse(file_path)
         assert content is None or content.strip() == ""
 
-    def test_corrupted_file(self, temp_html, tmp_path):
-        """测试损坏的 HTML 文件。"""
-        html_content = "\xff\xfe\x00\x00"
-        content, error = markitdown.parse(html_content, None)
-        # HTML 解析器通常比较宽容，可能仍能解析
-
     def test_special_chars(self, temp_html):
         """测试特殊字符处理。"""
         file_path = temp_html(content="<p>中文测试 😀 ©®</p>")
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-        content, error = markitdown.parse(html_content, file_path)
+        content, error = markitdown.parse(file_path)
         if content is not None:
             assert "中文" in content or "测试" in content

tests/test_readers/test_html/test_trafilatura_html.py

@@ -10,36 +10,27 @@ class TestTrafilaturaHtmlReaderParse:
     def test_normal_file(self, temp_html):
         """测试正常 HTML 文件解析。"""
         file_path = temp_html(content="<h1>标题</h1><p>段落内容</p>")
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-        content, error = trafilatura.parse(html_content)
+        content, error = trafilatura.parse(file_path)
         if content is not None:
             assert "标题" in content or "段落" in content
 
     def test_file_not_exists(self, tmp_path):
         """测试文件不存在的情况。"""
-        html_content = "<p>测试</p>"
-        content, error = trafilatura.parse(html_content)
-        assert content is not None or error is not None
+        non_existent_path = str(tmp_path / "non_existent.html")
+        content, error = trafilatura.parse(non_existent_path)
+        assert content is None
+        # 如果库未安装，也会返回 None，但错误信息不同
+        assert error is not None
 
     def test_empty_file(self, temp_html):
         """测试空 HTML 文件。"""
         file_path = temp_html(content="<html><body></body></html>")
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-        content, error = trafilatura.parse(html_content)
+        content, error = trafilatura.parse(file_path)
         assert content is None or content.strip() == ""
 
-    def test_corrupted_file(self, temp_html, tmp_path):
-        """测试损坏的 HTML 文件。"""
-        html_content = "\xff\xfe\x00\x00"
-        content, error = trafilatura.parse(html_content)
-
     def test_special_chars(self, temp_html):
         """测试特殊字符处理。"""
         file_path = temp_html(content="<p>中文测试 😀 ©®</p>")
-        with open(file_path, 'r', encoding='utf-8') as f:
-            html_content = f.read()
-        content, error = trafilatura.parse(html_content)
+        content, error = trafilatura.parse(file_path)
         if content is not None:
             assert "中文" in content or "测试" in content