refactor: 重构解析器架构并添加编码检测和配置管理

简化 parse_input() 为纯调度器，通过遍历 readers 的 supports() 方法识别输入类型，移除 URL 特殊处理和文件检查逻辑。各 reader 的 parse() 方法负责完整验证（文件存在、格式有效性）。

新增功能：
- 添加 chardet 编码自动检测，支持多种中文编码回退机制
- 创建统一配置类管理编码、下载超时、日志等级等配置项
- HTML reader 支持本地文件编码检测和 URL 统一处理

安全性改进：
- 修复 safe_open_zip() 路径遍历漏洞，使用 pathlib 规范化路径
- 添加边界检查，search_markdown() 检查负数参数

其他改进：
- 修复类型注解（argparse.Namespace）
- 日志系统仅输出 ERROR 级别，避免干扰 Markdown 输出
- 更新 BaseReader 接口文档，明确 supports() 和 parse() 职责划分
- 同步 delta specs 到主 specs（document-reading、html-reader、configuration、encoding-detection）

readers/base.py

@@ -16,7 +16,19 @@ class BaseReader(ABC):
 
     @abstractmethod
     def supports(self, file_path: str) -> bool:
-        """判断是否支持给定的文件。"""
+        """
+        判断是否支持给定的输入（轻量检查）。
+
+        仅做初步判断（如扩展名、URL 模式），不进行完整验证。
+        完整验证（文件存在、格式有效性）在 parse() 中进行。
+        不访问文件系统，不打开文件。
+
+        Args:
+            file_path: 文件路径或 URL
+
+        Returns:
+            True 如果可能支持，False 否则
+        """
         pass
 
     @abstractmethod
@@ -24,7 +36,12 @@ class BaseReader(ABC):
         """
         解析文件并返回 Markdown 内容。
 
-        返回: (content, failures)
+        需要检查文件存在和格式有效性，然后执行实际解析逻辑。
+
+        Args:
+            file_path: 文件路径或 URL
+
+        Returns: (content, failures)
         - content: 成功时返回 Markdown 内容，失败时返回 None
         - failures: 各解析器的失败原因列表
         """

readers/docx/__init__.py

@@ -1,5 +1,6 @@
 """DOCX 文件阅读器，支持多种解析方法。"""
 
+import os
 from typing import List, Optional, Tuple
 
 from readers.base import BaseReader
@@ -31,10 +32,19 @@ class DocxReader(BaseReader):
         return [".docx"]
 
     def supports(self, file_path: str) -> bool:
-        return is_valid_docx(file_path)
+        return file_path.endswith('.docx')
 
     def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
         failures = []
+
+        # 检查文件是否存在
+        if not os.path.exists(file_path):
+            return None, ["文件不存在"]
+
+        # 验证文件格式
+        if not is_valid_docx(file_path):
+            return None, ["不是有效的 DOCX 文件"]
+
         content = None
 
         for parser_name, parser_func in PARSERS:

readers/html/__init__.py

@@ -4,7 +4,8 @@ import os
 from typing import List, Optional, Tuple
 
 from readers.base import BaseReader
-from utils import is_html_file, is_url
+from utils import is_url
+import encoding_detection
 
 from . import cleaner
 from . import downloader
@@ -30,7 +31,7 @@ class HtmlReader(BaseReader):
         return [".html", ".htm"]
 
     def supports(self, file_path: str) -> bool:
-        return is_url(file_path) or is_html_file(file_path)
+        return is_url(file_path) or file_path.endswith(('.html', '.htm'))
 
     def download_and_parse(self, url: str) -> Tuple[Optional[str], List[str]]:
         """下载 URL 并解析"""
@@ -69,15 +70,14 @@ class HtmlReader(BaseReader):
     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)
 
-        # 读取 HTML 文件
-        try:
-            with open(file_path, 'r', encoding='utf-8') as f:
-                html_content = f.read()
-        except Exception as e:
-            return None, [f"- 读取文件失败: {str(e)}"]
+        # 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
         html_content = cleaner.clean_html_content(html_content)

readers/pdf/__init__.py

@@ -1,5 +1,6 @@
 """PDF 文件阅读器，支持多种解析方法（OCR 优先）。"""
 
+import os
 from typing import List, Optional, Tuple
 
 from readers.base import BaseReader
@@ -31,10 +32,19 @@ class PdfReader(BaseReader):
         return [".pdf"]
 
     def supports(self, file_path: str) -> bool:
-        return is_valid_pdf(file_path)
+        return file_path.endswith('.pdf')
 
     def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
         failures = []
+
+        # 检查文件是否存在
+        if not os.path.exists(file_path):
+            return None, ["文件不存在"]
+
+        # 验证文件格式
+        if not is_valid_pdf(file_path):
+            return None, ["不是有效的 PDF 文件"]
+
         content = None
 
         for parser_name, parser_func in PARSERS:

readers/pptx/__init__.py

@@ -1,5 +1,6 @@
 """PPTX 文件阅读器，支持多种解析方法。"""
 
+import os
 from typing import List, Optional, Tuple
 
 from readers.base import BaseReader
@@ -29,10 +30,19 @@ class PptxReader(BaseReader):
         return [".pptx"]
 
     def supports(self, file_path: str) -> bool:
-        return is_valid_pptx(file_path)
+        return file_path.endswith('.pptx')
 
     def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
         failures = []
+
+        # 检查文件是否存在
+        if not os.path.exists(file_path):
+            return None, ["文件不存在"]
+
+        # 验证文件格式
+        if not is_valid_pptx(file_path):
+            return None, ["不是有效的 PPTX 文件"]
+
         content = None
 
         for parser_name, parser_func in PARSERS:

readers/xlsx/__init__.py

@@ -1,5 +1,6 @@
 """XLSX 文件阅读器，支持多种解析方法。"""
 
+import os
 from typing import List, Optional, Tuple
 
 from readers.base import BaseReader
@@ -29,10 +30,19 @@ class XlsxReader(BaseReader):
         return [".xlsx"]
 
     def supports(self, file_path: str) -> bool:
-        return is_valid_xlsx(file_path)
+        return file_path.endswith('.xlsx')
 
     def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
         failures = []
+
+        # 检查文件是否存在
+        if not os.path.exists(file_path):
+            return None, ["文件不存在"]
+
+        # 验证文件格式
+        if not is_valid_xlsx(file_path):
+            return None, ["不是有效的 XLSX 文件"]
+
         content = None
 
         for parser_name, parser_func in PARSERS: