feat: 统一文档解析器项目 - 迁移 lyxy-reader-office 和 lyxy-reader-html

## 功能特性

- 建立统一的项目结构，包含 core/、readers/、utils/、tests/ 模块
- 迁移 lyxy-reader-office 的所有解析器（docx、xlsx、pptx、pdf）
- 迁移 lyxy-reader-html 的所有解析器（html、url 下载）
- 统一 CLI 入口为 lyxy_document_reader.py
- 统一 Markdown 后处理逻辑
- 按文件类型组织 readers，每个解析器独立文件
- 依赖分组按文件类型细分（docx、xlsx、pptx、pdf、html、http）
- PDF OCR 解析器优先，无参数控制
- 使用 logging 模块替代简单 print
- 设计完整的单元测试结构
- 重写项目文档

## 新增目录/文件

- core/ - 核心模块（异常体系、Markdown 工具、解析调度器）
- readers/ - 格式阅读器（base.py + docx/xlsx/pptx/pdf/html）
- utils/ - 工具函数（文件类型检测）
- tests/ - 测试（conftest.py + test_core/ + test_readers/ + test_utils/）
- lyxy_document_reader.py - 统一 CLI 入口

## 依赖分组

- docx - DOCX 文档解析支持
- xlsx - XLSX 文档解析支持
- pptx - PPTX 文档解析支持
- pdf - PDF 文档解析支持（含 OCR）
- html - HTML/URL 解析支持
- http - HTTP/URL 下载支持
- office - Office 格式组合（docx/xlsx/pptx/pdf）
- web - Web 格式组合（html/http）
- full - 完整功能
- dev - 开发依赖

README.md

@@ -0,0 +1,195 @@
+# lyxy-document
+
+帮助 AI 工具读取转换文档到 Markdown 的统一工具。
+
+## 功能特性
+
+支持多种文档格式的解析，统一转换为 Markdown：
+
+- **Office 文档**: DOCX、XLSX、PPTX
+- **PDF 文档**: 支持 OCR 优先解析
+- **HTML/URL**: 支持本地 HTML 文件和在线 URL 下载解析
+
+## 安装
+
+### 基础安装
+
+```bash
+uv add lyxy-document
+```
+
+### 可选依赖分组
+
+按文件类型按需安装：
+
+```bash
+# 仅安装 DOCX 支持
+uv add "lyxy-document[docx]"
+
+# 仅安装 XLSX 支持
+uv add "lyxy-document[xlsx]"
+
+# 仅安装 PPTX 支持
+uv add "lyxy-document[pptx]"
+
+# 仅安装 PDF 支持
+uv add "lyxy-document[pdf]"
+
+# 仅安装 HTML 支持
+uv add "lyxy-document[html]"
+
+# 仅安装 HTTP/URL 下载支持
+uv add "lyxy-document[http]"
+```
+
+组合分组：
+
+```bash
+# 安装所有 Office 格式支持
+uv add "lyxy-document[office]"
+
+# 安装 Web（HTML + HTTP）支持
+uv add "lyxy-document[web]"
+
+# 安装全部功能
+uv add "lyxy-document[full]"
+
+# 安装开发依赖
+uv add --dev "lyxy-document[dev]"
+```
+
+## 使用方法
+
+### 命令行使用
+
+```bash
+# 解析文档为 Markdown
+uv run lyxy-document-reader document.docx
+
+# 统计字数
+uv run lyxy-document-reader document.docx -c
+
+# 统计行数
+uv run lyxy-document-reader document.docx -l
+
+# 提取所有标题
+uv run lyxy-document-reader document.docx -t
+
+# 提取指定标题及其内容
+uv run lyxy-document-reader document.docx -tc "标题名称"
+
+# 搜索文档内容（支持正则表达式）
+uv run lyxy-document-reader document.docx -s "搜索关键词" -n 2
+```
+
+### Python API 使用
+
+```python
+from core import parse_input, process_content
+from readers import READERS
+
+# 实例化 readers
+readers = [ReaderCls() for ReaderCls in READERS]
+
+# 解析文件
+content, failures = parse_input("document.docx", readers)
+
+if content:
+    # 处理内容（移除图片、规范化空白）
+    content = process_content(content)
+    print(content)
+else:
+    print("解析失败:")
+    for failure in failures:
+        print(failure)
+```
+
+## 项目结构
+
+```
+lyxy-document/
+├── lyxy_document_reader.py    # 统一 CLI 入口
+├── core/                       # 核心模块
+│   ├── exceptions.py           # 自定义异常体系
+│   ├── markdown.py             # Markdown 工具函数
+│   └── parser.py               # 统一解析调度器
+├── readers/                    # 格式阅读器
+│   ├── base.py                 # Reader 基类
+│   ├── docx/                   # DOCX 阅读器
+│   ├── xlsx/                   # XLSX 阅读器
+│   ├── pptx/                   # PPTX 阅读器
+│   ├── pdf/                    # PDF 阅读器
+│   └── html/                   # HTML/URL 阅读器
+├── utils/                      # 工具函数
+│   └── file_detection.py       # 文件类型检测
+└── tests/                      # 测试
+```
+
+## 解析器优先级
+
+### DOCX
+1. docling
+2. unstructured
+3. pypandoc-binary
+4. MarkItDown
+5. python-docx
+6. XML 原生解析
+
+### XLSX
+1. docling
+2. unstructured
+3. MarkItDown
+4. pandas
+5. XML 原生解析
+
+### PPTX
+1. docling
+2. unstructured
+3. MarkItDown
+4. python-pptx
+5. XML 原生解析
+
+### PDF（OCR 优先）
+1. docling OCR
+2. unstructured OCR
+3. docling
+4. unstructured
+5. MarkItDown
+6. pypdf
+
+### HTML/URL
+1. trafilatura
+2. domscribe
+3. MarkItDown
+4. html2text
+
+## 开发
+
+### 安装开发依赖
+
+```bash
+uv sync --dev
+```
+
+### 运行测试
+
+```bash
+uv run pytest
+```
+
+### 代码格式化
+
+```bash
+uv run black .
+uv run isort .
+```
+
+### 类型检查
+
+```bash
+uv run mypy .
+```
+
+## 许可证
+
+MIT License