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

readers/pdf/__init__.py

@@ -0,0 +1,47 @@
+"""PDF 文件阅读器，支持多种解析方法（OCR 优先）。"""
+
+from typing import List, Optional, Tuple
+
+from readers.base import BaseReader
+from utils import is_valid_pdf
+
+from . import docling_ocr
+from . import unstructured_ocr
+from . import docling
+from . import unstructured
+from . import markitdown
+from . import pypdf
+
+
+PARSERS = [
+    ("docling OCR", docling_ocr.parse),
+    ("unstructured OCR", unstructured_ocr.parse),
+    ("docling", docling.parse),
+    ("unstructured", unstructured.parse),
+    ("MarkItDown", markitdown.parse),
+    ("pypdf", pypdf.parse),
+]
+
+
+class PdfReader(BaseReader):
+    """PDF 文件阅读器"""
+
+    @property
+    def supported_extensions(self) -> List[str]:
+        return [".pdf"]
+
+    def supports(self, file_path: str) -> bool:
+        return is_valid_pdf(file_path)
+
+    def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
+        failures = []
+        content = None
+
+        for parser_name, parser_func in PARSERS:
+            content, error = parser_func(file_path)
+            if content is not None:
+                return content, failures
+            else:
+                failures.append(f"- {parser_name}: {error}")
+
+        return None, failures

readers/pdf/docling.py

@@ -0,0 +1,29 @@
+"""使用 docling 库解析 PDF 文件（不启用 OCR）"""
+
+from typing import Optional, Tuple
+
+
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 docling 库解析 PDF 文件（不启用 OCR）"""
+    try:
+        from docling.datamodel.base_models import InputFormat
+        from docling.datamodel.pipeline_options import PdfPipelineOptions
+        from docling.document_converter import DocumentConverter, PdfFormatOption
+    except ImportError:
+        return None, "docling 库未安装"
+
+    try:
+        converter = DocumentConverter(
+            format_options={
+                InputFormat.PDF: PdfFormatOption(
+                    pipeline_options=PdfPipelineOptions(do_ocr=False)
+                )
+            }
+        )
+        result = converter.convert(file_path)
+        markdown_content = result.document.export_to_markdown()
+        if not markdown_content.strip():
+            return None, "文档为空"
+        return markdown_content, None
+    except Exception as e:
+        return None, f"docling 解析失败: {str(e)}"

readers/pdf/docling_ocr.py

@@ -0,0 +1,21 @@
+"""使用 docling 库解析 PDF 文件（启用 OCR）"""
+
+from typing import Optional, Tuple
+
+
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 docling 库解析 PDF 文件（启用 OCR）"""
+    try:
+        from docling.document_converter import DocumentConverter
+    except ImportError:
+        return None, "docling 库未安装"
+
+    try:
+        converter = DocumentConverter()
+        result = converter.convert(file_path)
+        markdown_content = result.document.export_to_markdown()
+        if not markdown_content.strip():
+            return None, "文档为空"
+        return markdown_content, None
+    except Exception as e:
+        return None, f"docling OCR 解析失败: {str(e)}"

readers/pdf/markitdown.py

@@ -0,0 +1,10 @@
+"""使用 MarkItDown 库解析 PDF 文件"""
+
+from typing import Optional, Tuple
+
+from core import parse_with_markitdown
+
+
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 MarkItDown 库解析 PDF 文件"""
+    return parse_with_markitdown(file_path)

readers/pdf/pypdf.py

@@ -0,0 +1,28 @@
+"""使用 pypdf 库解析 PDF 文件"""
+
+from typing import Optional, Tuple
+
+
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 pypdf 库解析 PDF 文件"""
+    try:
+        from pypdf import PdfReader
+    except ImportError:
+        return None, "pypdf 库未安装"
+
+    try:
+        reader = PdfReader(file_path)
+        md_content = []
+
+        for page in reader.pages:
+            text = page.extract_text(extraction_mode="plain")
+            if text and text.strip():
+                md_content.append(text.strip())
+                md_content.append("")
+
+        content = "\n".join(md_content).strip()
+        if not content:
+            return None, "文档为空"
+        return content, None
+    except Exception as e:
+        return None, f"pypdf 解析失败: {str(e)}"

readers/pdf/unstructured.py

@@ -0,0 +1,28 @@
+"""使用 unstructured 库解析 PDF 文件（fast 策略）"""
+
+from typing import Optional, Tuple
+
+from core import _unstructured_elements_to_markdown
+
+
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 unstructured 库解析 PDF 文件（fast 策略）"""
+    try:
+        from unstructured.partition.pdf import partition_pdf
+    except ImportError:
+        return None, "unstructured 库未安装"
+
+    try:
+        elements = partition_pdf(
+            filename=file_path,
+            infer_table_structure=True,
+            strategy="fast",
+            languages=["chi_sim"],
+        )
+        # fast 策略不做版面分析，Title 类型标注不可靠
+        content = _unstructured_elements_to_markdown(elements, trust_titles=False)
+        if not content.strip():
+            return None, "文档为空"
+        return content, None
+    except Exception as e:
+        return None, f"unstructured 解析失败: {str(e)}"

readers/pdf/unstructured_ocr.py

@@ -0,0 +1,34 @@
+"""使用 unstructured 库解析 PDF 文件（hi_res 策略 + PaddleOCR）"""
+
+from typing import Optional, Tuple
+
+from core import _unstructured_elements_to_markdown
+
+
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 unstructured 库解析 PDF 文件（hi_res 策略 + PaddleOCR）"""
+    try:
+        from unstructured.partition.pdf import partition_pdf
+    except ImportError:
+        return None, "unstructured 库未安装"
+
+    try:
+        from unstructured.partition.utils.constants import OCR_AGENT_PADDLE
+    except ImportError:
+        return None, "unstructured-paddleocr 库未安装"
+
+    try:
+        elements = partition_pdf(
+            filename=file_path,
+            infer_table_structure=True,
+            strategy="hi_res",
+            languages=["chi_sim"],
+            ocr_agent=OCR_AGENT_PADDLE,
+            table_ocr_agent=OCR_AGENT_PADDLE,
+        )
+        content = _unstructured_elements_to_markdown(elements, trust_titles=True)
+        if not content.strip():
+            return None, "文档为空"
+        return content, None
+    except Exception as e:
+        return None, f"unstructured OCR 解析失败: {str(e)}"