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

tests/__init__.py

@@ -0,0 +1 @@
+"""Tests package for lyxy-document."""

tests/conftest.py

@@ -0,0 +1,21 @@
+"""测试配置和共享 fixtures。"""
+
+import pytest
+
+
+@pytest.fixture
+def sample_markdown():
+    """示例 Markdown 文本。"""
+    return """# 标题
+
+这是一段测试文本。
+
+## 子标题
+
+- 列表项 1
+- 列表项 2
+
+### 另一个标题
+
+这是更多的文本。
+"""

tests/test_core/__init__.py

@@ -0,0 +1 @@
+"""Tests for core module."""

tests/test_core/test_markdown.py

@@ -0,0 +1,56 @@
+"""测试 Markdown 工具函数。"""
+
+from core import (
+    get_heading_level,
+    extract_titles,
+    normalize_markdown_whitespace,
+    remove_markdown_images,
+)
+
+
+class TestGetHeadingLevel:
+    """测试 get_heading_level 函数。"""
+
+    def test_h1(self):
+        assert get_heading_level("# 标题") == 1
+
+    def test_h2(self):
+        assert get_heading_level("## 子标题") == 2
+
+    def test_h6(self):
+        assert get_heading_level("###### 六级标题") == 6
+
+    def test_no_heading(self):
+        assert get_heading_level("普通文本") == 0
+
+    def test_no_space(self):
+        assert get_heading_level("#标题") == 0
+
+
+class TestExtractTitles:
+    """测试 extract_titles 函数。"""
+
+    def test_extract_multiple_titles(self, sample_markdown):
+        titles = extract_titles(sample_markdown)
+        assert len(titles) == 3
+        assert "# 标题" in titles
+        assert "## 子标题" in titles
+        assert "### 另一个标题" in titles
+
+
+class TestNormalizeMarkdownWhitespace:
+    """测试 normalize_markdown_whitespace 函数。"""
+
+    def test_multiple_blank_lines(self):
+        content = "line1\n\n\n\nline2"
+        result = normalize_markdown_whitespace(content)
+        assert result == "line1\n\nline2"
+
+
+class TestRemoveMarkdownImages:
+    """测试 remove_markdown_images 函数。"""
+
+    def test_remove_image(self):
+        content = "Text ![alt](image.png) more text"
+        result = remove_markdown_images(content)
+        assert "![alt](image.png)" not in result

tests/test_readers/__init__.py

@@ -0,0 +1 @@
+"""Tests for readers module."""

tests/test_readers/test_docx/__init__.py

@@ -0,0 +1 @@
+"""Tests for docx reader."""

tests/test_readers/test_html/__init__.py

@@ -0,0 +1 @@
+"""Tests for html reader."""

tests/test_readers/test_pdf/__init__.py

@@ -0,0 +1 @@
+"""Tests for pdf reader."""

tests/test_readers/test_pptx/__init__.py

@@ -0,0 +1 @@
+"""Tests for pptx reader."""

tests/test_readers/test_xlsx/__init__.py

@@ -0,0 +1 @@
+"""Tests for xlsx reader."""

tests/test_utils/__init__.py

@@ -0,0 +1 @@
+"""Tests for utils module."""

tests/test_utils/test_file_detection.py

@@ -0,0 +1,32 @@
+"""测试文件检测工具函数。"""
+
+from utils import is_url, is_html_file
+
+
+class TestIsUrl:
+    """测试 is_url 函数。"""
+
+    def test_http_url(self):
+        assert is_url("http://example.com") is True
+
+    def test_https_url(self):
+        assert is_url("https://example.com") is True
+
+    def test_not_url(self):
+        assert is_url("file.txt") is False
+
+
+class TestIsHtmlFile:
+    """测试 is_html_file 函数。"""
+
+    def test_html_extension(self):
+        assert is_html_file("file.html") is True
+
+    def test_htm_extension(self):
+        assert is_html_file("file.htm") is True
+
+    def test_uppercase_extension(self):
+        assert is_html_file("FILE.HTML") is True
+
+    def test_not_html(self):
+        assert is_html_file("file.txt") is False