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/html-reader/spec.md

@@ -0,0 +1,188 @@
+## ADDED Requirements
+
+### Requirement: HTML 文档解析
+系统 SHALL 支持解析 HTML 格式文档和 URL 网页，按优先级尝试多个解析器。
+
+#### Scenario: 按优先级尝试解析器
+- **WHEN** 解析 HTML 内容
+- **THEN** 系统按 trafilatura → domscribe → markitdown → html2text 的顺序尝试
+
+#### Scenario: 成功解析
+- **WHEN** 任一解析器成功
+- **THEN** 系统返回解析结果
+
+#### Scenario: 所有解析器失败
+- **WHEN** 所有解析器均失败
+- **THEN** 系统返回失败列表并退出非零状态码
+
+### Requirement: URL 下载
+系统 SHALL 支持从 URL 下载网页内容，按优先级尝试多个下载器。
+
+#### Scenario: 按优先级尝试下载器
+- **WHEN** 输入为 URL
+- **THEN** 系统按 pyppeteer → selenium → httpx → urllib 的顺序尝试下载
+
+#### Scenario: 成功下载
+- **WHEN** 任一下载器成功
+- **THEN** 系统返回 HTML 内容
+
+#### Scenario: 所有下载器失败
+- **WHEN** 所有下载器均失败
+- **THEN** 系统返回失败列表并退出非零状态码
+
+### Requirement: HTML 内容清理
+系统 SHALL 在解析前清理 HTML 内容，移除不需要的标签和属性。
+
+#### Scenario: 移除 script 标签
+- **WHEN** HTML 内容包含 script 标签
+- **THEN** 系统移除所有 script 标签
+
+#### Scenario: 移除 style 标签
+- **WHEN** HTML 内容包含 style 标签
+- **THEN** 系统移除所有 style 标签
+
+#### Scenario: 移除 svg 标签
+- **WHEN** HTML 内容包含 svg 标签
+- **THEN** 系统移除所有 svg 标签
+
+#### Scenario: 移除 link 标签
+- **WHEN** HTML 内容包含 link 标签
+- **THEN** 系统移除所有 link 标签
+
+#### Scenario: 移除 URL 属性
+- **WHEN** HTML 标签包含 href、src、srcset、action 属性
+- **THEN** 系统移除这些属性
+
+#### Scenario: 移除 style 属性
+- **WHEN** HTML 标签包含 style 属性
+- **THEN** 系统移除所有 style 属性
+
+#### Scenario: 移除 data-href 属性
+- **WHEN** HTML 标签包含 data-href 属性
+- **THEN** 系统移除这些属性
+
+#### Scenario: 清理 title 属性中的 URL
+- **WHEN** HTML 标签的 title 属性包含 URL
+- **THEN** 系统移除 URL
+
+#### Scenario: 清理包含 URL 的 class 属性
+- **WHEN** HTML 标签的 class 属性包含 URL 样式
+- **THEN** 系统移除这些 class
+
+### Requirement: pyppeteer 下载器
+系统 SHALL 支持使用 pyppeteer 下载 URL（支持 JS 渲染）。
+
+#### Scenario: pyppeteer 下载成功
+- **WHEN** pyppeteer 库可用且 URL 可访问
+- **THEN** 系统返回渲染后的 HTML 内容
+
+#### Scenario: pyppeteer 库未安装
+- **WHEN** pyppeteer 库未安装
+- **THEN** 系统尝试下一个下载器
+
+### Requirement: selenium 下载器
+系统 SHALL 支持使用 selenium 下载 URL（支持 JS 渲染）。
+
+#### Scenario: selenium 下载成功
+- **WHEN** selenium 库可用、LYXY_CHROMIUM_DRIVER 和 LYXY_CHROMIUM_BINARY 环境变量配置正确且 URL 可访问
+- **THEN** 系统返回渲染后的 HTML 内容
+
+#### Scenario: selenium 依赖未满足
+- **WHEN** selenium 库未安装或环境变量未配置
+- **THEN** 系统尝试下一个下载器
+
+### Requirement: httpx 下载器
+系统 SHALL 支持使用 httpx 下载 URL（轻量级 HTTP 客户端）。
+
+#### Scenario: httpx 下载成功
+- **WHEN** httpx 库可用且 URL 可访问
+- **THEN** 系统返回 HTML 内容
+
+#### Scenario: httpx 库未安装
+- **WHEN** httpx 库未安装
+- **THEN** 系统尝试下一个下载器
+
+### Requirement: urllib 下载器
+系统 SHALL 支持使用 urllib 下载 URL（标准库，兜底方案）。
+
+#### Scenario: urllib 下载成功
+- **WHEN** URL 可访问
+- **THEN** 系统返回 HTML 内容
+
+#### Scenario: urllib 下载失败
+- **WHEN** urllib 下载失败
+- **THEN** 系统返回失败信息
+
+### Requirement: trafilatura 解析器
+系统 SHALL 支持使用 trafilatura 解析 HTML。
+
+#### Scenario: trafilatura 解析成功
+- **WHEN** trafilatura 库可用且 HTML 有效
+- **THEN** 系统返回 Markdown 内容
+
+#### Scenario: trafilatura 库未安装
+- **WHEN** trafilatura 库未安装
+- **THEN** 系统尝试下一个解析器
+
+### Requirement: domscribe 解析器
+系统 SHALL 支持使用 domscribe 解析 HTML。
+
+#### Scenario: domscribe 解析成功
+- **WHEN** domscribe 库可用且 HTML 有效
+- **THEN** 系统返回 Markdown 内容
+
+#### Scenario: domscribe 库未安装
+- **WHEN** domscribe 库未安装
+- **THEN** 系统尝试下一个解析器
+
+### Requirement: markitdown 解析器
+系统 SHALL 支持使用 markitdown 解析 HTML。
+
+#### Scenario: markitdown 解析成功
+- **WHEN** markitdown 库可用且 HTML 有效
+- **THEN** 系统返回 Markdown 内容
+
+#### Scenario: markitdown 库未安装
+- **WHEN** markitdown 库未安装
+- **THEN** 系统尝试下一个解析器
+
+### Requirement: html2text 解析器
+系统 SHALL 支持使用 html2text 解析 HTML（兜底方案）。
+
+#### Scenario: html2text 解析成功
+- **WHEN** html2text 库可用且 HTML 有效
+- **THEN** 系统返回 Markdown 内容
+
+#### Scenario: html2text 库未安装
+- **WHEN** html2text 库未安装
+- **THEN** 系统返回失败信息
+
+### Requirement: 下载器在 html 目录下
+系统 SHALL 将下载器和清理器放在 html 目录下，不拆分。
+
+#### Scenario: downloader.py 在 html 目录
+- **WHEN** 使用 URL 下载功能
+- **THEN** 从 readers/html/downloader.py 导入
+
+#### Scenario: cleaner.py 在 html 目录
+- **WHEN** 使用 HTML 清理功能
+- **THEN** 从 readers/html/cleaner.py 导入
+
+### Requirement: 每个 HTML 解析器独立文件
+系统 SHALL 将每个 HTML 解析器实现为独立的单文件模块。
+
+#### Scenario: trafilatura 解析器在独立文件
+- **WHEN** 使用 trafilatura 解析器
+- **THEN** 从 readers/html/trafilatura.py 导入
+
+#### Scenario: domscribe 解析器在独立文件
+- **WHEN** 使用 domscribe 解析器
+- **THEN** 从 readers/html/domscribe.py 导入
+
+#### Scenario: markitdown 解析器在独立文件
+- **WHEN** 使用 markitdown 解析器
+- **THEN** 从 readers/html/markitdown.py 导入
+
+#### Scenario: html2text 解析器在独立文件
+- **WHEN** 使用 html2text 解析器
+- **THEN** 从 readers/html/html2text.py 导入