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

openspec/changes/archive/2026-03-08-unify-document-readers/specs/document-reading/spec.md

@@ -0,0 +1,137 @@
+## ADDED Requirements
+
+### Requirement: 统一 CLI 入口
+系统 SHALL 提供 lyxy_document_reader.py 作为统一的命令行入口，支持处理所有文档类型。
+
+#### Scenario: 调用 CLI 帮助信息
+- **WHEN** 用户执行 `uv run python lyxy_document_reader.py --help`
+- **THEN** 系统显示完整的命令行参数帮助信息
+
+#### Scenario: CLI 接受输入路径
+- **WHEN** 用户执行 `uv run python lyxy_document_reader.py <input_path>`
+- **THEN** 系统识别输入类型并解析文档
+
+### Requirement: 输入类型自动识别
+系统 SHALL 自动识别输入类型，包括 URL 和本地文件。
+
+#### Scenario: 识别 HTTP URL
+- **WHEN** 输入以 `http://` 或 `https://` 开头
+- **THEN** 系统识别为 URL，使用 html-reader 处理
+
+#### Scenario: 识别 DOCX 文件
+- **WHEN** 输入文件扩展名为 .docx 或 .doc，或文件内容为 OOXML Word 格式
+- **THEN** 系统识别为 DOCX，使用 docx-reader 处理
+
+#### Scenario: 识别 XLSX 文件
+- **WHEN** 输入文件扩展名为 .xlsx、.xls 或 .xlsm，或文件内容为 OOXML Excel 格式
+- **THEN** 系统识别为 XLSX，使用 xlsx-reader 处理
+
+#### Scenario: 识别 PPTX 文件
+- **WHEN** 输入文件扩展名为 .pptx 或 .ppt，或文件内容为 OOXML PowerPoint 格式
+- **THEN** 系统识别为 PPTX，使用 pptx-reader 处理
+
+#### Scenario: 识别 PDF 文件
+- **WHEN** 输入文件扩展名为 .pdf，或文件头为 %PDF
+- **THEN** 系统识别为 PDF，使用 pdf-reader 处理
+
+#### Scenario: 识别 HTML 文件
+- **WHEN** 输入文件扩展名为 .html、.htm 或 .xhtml
+- **THEN** 系统识别为 HTML，使用 html-reader 处理
+
+### Requirement: 输出完整 Markdown
+系统 SHALL 能够输出解析后的完整 Markdown 内容。
+
+#### Scenario: 无查询参数时输出完整内容
+- **WHEN** 用户不使用任何查询参数（-c/-l/-t/-tc/-s）
+- **THEN** 系统输出完整的 Markdown 文档内容
+
+### Requirement: 字数统计
+系统 SHALL 支持统计解析后文档的总字数。
+
+#### Scenario: 使用 -c 参数统计字数
+- **WHEN** 用户使用 `-c` 或 `--count` 参数
+- **THEN** 系统输出解析后文档的总字数（不含换行符）
+
+### Requirement: 行数统计
+系统 SHALL 支持统计解析后文档的总行数。
+
+#### Scenario: 使用 -l 参数统计行数
+- **WHEN** 用户使用 `-l` 或 `--lines` 参数
+- **THEN** 系统输出解析后文档的总行数
+
+### Requirement: 标题提取
+系统 SHALL 支持提取文档中的所有标题行。
+
+#### Scenario: 使用 -t 参数提取标题
+- **WHEN** 用户使用 `-t` 或 `--titles` 参数
+- **THEN** 系统输出解析后文档的所有 1-6 级标题行
+
+### Requirement: 指定标题内容提取
+系统 SHALL 支持提取指定标题及其下级内容。
+
+#### Scenario: 使用 -tc 参数提取标题内容
+- **WHEN** 用户使用 `-tc <name>` 或 `--title-content <name>` 参数
+- **THEN** 系统输出所有匹配标题名称的标题及其下级内容，包含上级标题上下文，多个匹配用 --- 分隔
+
+#### Scenario: 标题未找到时提示错误
+- **WHEN** 指定的标题名称未找到
+- **THEN** 系统输出错误信息并退出非零状态码
+
+### Requirement: 正则搜索
+系统 SHALL 支持使用正则表达式搜索文档内容。
+
+#### Scenario: 使用 -s 参数搜索
+- **WHEN** 用户使用 `-s <pattern>` 或 `--search <pattern>` 参数
+- **THEN** 系统输出所有匹配结果及其上下文，多个匹配用 --- 分隔
+
+#### Scenario: 使用 -n 参数指定上下文行数
+- **WHEN** 用户同时使用 `-s <pattern>` 和 `-n <num>` 或 `--context <num>` 参数
+- **THEN** 系统输出匹配结果及其前后指定行数的上下文（不含空行）
+
+#### Scenario: 无效正则表达式提示错误
+- **WHEN** 提供的正则表达式无效
+- **THEN** 系统输出错误信息并退出非零状态码
+
+#### Scenario: 无匹配结果提示错误
+- **WHEN** 未找到任何匹配
+- **THEN** 系统输出错误信息并退出非零状态码
+
+### Requirement: Markdown 图片移除
+系统 SHALL 自动移除解析结果中的 Markdown 图片标记。
+
+#### Scenario: 移除图片标记
+- **WHEN** 解析结果包含 `![alt](url)` 格式的图片标记
+- **THEN** 系统移除这些图片标记
+
+### Requirement: Markdown 空白规范化
+系统 SHALL 规范化解析结果中的空白字符，保留单行空行。
+
+#### Scenario: 规范化连续空行
+- **WHEN** 解析结果包含连续 3 个或更多换行符
+- **THEN** 系统将其替换为 2 个换行符（保留单行空行）
+
+### Requirement: 使用 logging 模块
+系统 SHALL 使用 Python logging 模块进行日志输出，而非简单 print。
+
+#### Scenario: 日志输出
+- **WHEN** 系统运行时
+- **THEN** 所有日志信息通过 logging 模块输出
+
+### Requirement: 自定义异常
+系统 SHALL 使用自定义异常类处理错误，提供清晰的错误信息和位置上下文。
+
+#### Scenario: 抛出 FileDetectionError
+- **WHEN** 文件类型检测失败
+- **THEN** 系统抛出 FileDetectionError 异常
+
+#### Scenario: 抛出 ReaderNotFoundError
+- **WHEN** 未找到适配的阅读器
+- **THEN** 系统抛出 ReaderNotFoundError 异常
+
+#### Scenario: 抛出 ParseError
+- **WHEN** 文档解析失败
+- **THEN** 系统抛出 ParseError 异常
+
+#### Scenario: 抛出 DownloadError
+- **WHEN** URL 下载失败
+- **THEN** 系统抛出 DownloadError 异常