feat: 新增 PPT 旧格式支持，重构 LibreOffice 转换工具

- 新增 PPT (旧格式) 解析器
- 重构 _utils.py，提取通用 convert_via_libreoffice 函数
- 更新依赖配置，添加 PPT 相关依赖
- 完善文档，更新 README 和 SKILL.md
- 添加 PPT 文件检测函数
- 新增 PPT 解析器测试用例

README.md

@@ -1,6 +1,6 @@
 # lyxy-document
 
-统一文档解析工具 - 将 DOC、DOCX、XLS、XLSX、PPTX、PDF、HTML/URL 转换为 Markdown
+统一文档解析工具 - 将 DOC、DOCX、XLS、XLSX、PPT、PPTX、PDF、HTML/URL 转换为 Markdown
 
 ## 项目概述
 
@@ -30,6 +30,7 @@ scripts/
 │   ├── docx/                  # DOCX 解析器
 │   ├── xls/                   # XLS 解析器（旧格式）
 │   ├── xlsx/                  # XLSX 解析器
+│   ├── ppt/                   # PPT 解析器（旧格式）
 │   ├── pptx/                  # PPTX 解析器
 │   ├── pdf/                   # PDF 解析器
 │   └── html/                  # HTML/URL 解析器

SKILL.md

@@ -1,6 +1,6 @@
 ---
 name: lyxy-document-reader
-description: 统一文档解析工具 - 将 DOC、DOCX、XLS、XLSX、PPTX、PDF、HTML/URL 转换为 Markdown。支持全文输出、字数统计、行数统计、标题提取、章节提取、正则搜索。当用户要求"读取/解析/打开文档"、上传 .doc/.docx/.xls/.xlsx/.pptx/.pdf/.html 文件、或提供 URL 时使用。
+description: 统一文档解析工具 - 将 DOC、DOCX、XLS、XLSX、PPT、PPTX、PDF、HTML/URL 转换为 Markdown。支持全文输出、字数统计、行数统计、标题提取、章节提取、正则搜索。当用户要求"读取/解析/打开文档"、上传 .doc/.docx/.xls/.xlsx/.ppt/.pptx/.pdf/.html 文件、或提供 URL 时使用。
 license: MIT
 compatibility: Requires Python 3.11+。优先使用 lyxy-runner-python skill，次选 uv run --with，降级到主机 Python。
 ---
@@ -30,6 +30,7 @@ python scripts/lyxy_document_reader.py <文件路径或URL>
 - DOCX（Word 文档）
 - XLS（Excel 旧格式）
 - XLSX（Excel 表格）
+- PPT（PowerPoint 旧格式）
 - PPTX（PowerPoint 演示文稿）
 - PDF（PDF 文档，支持 OCR）
 - HTML / URL（网页内容）
@@ -45,8 +46,8 @@ python scripts/lyxy_document_reader.py <文件路径或URL>
 
 ### 触发词
 - 中文："读取/解析/打开 文档/Word/Excel/PPT/PDF/网页"
-- 英文："read/parse/extract document/doc/docx/xls/xlsx/pptx/pdf/html"
+- 英文："read/parse/extract document/doc/docx/xls/xlsx/ppt/pptx/pdf/html"
-- 文件扩展名：`.doc`、`.docx`、`.xls`、`.xlsx`、`.pptx`、`.pdf`、`.html`、`.htm`
+- 文件扩展名：`.doc`、`.docx`、`.xls`、`.xlsx`、`.ppt`、`.pptx`、`.pdf`、`.html`、`.htm`
 - URL：`http://`、`https://`
 
 ## Quick Reference

openspec/specs/ppt-reader/spec.md

@@ -0,0 +1,58 @@
+## Purpose
+
+PPT 文档解析能力，支持解析 Microsoft PowerPoint 97-2003 旧格式文档。
+
+## Requirements
+
+### Requirement: PPT 文档解析
+系统 SHALL 支持解析 .ppt 格式文档，使用 LibreOffice 解析器。
+
+#### Scenario: 使用 LibreOffice 解析器
+- **WHEN** 解析 PPT 文档
+- **THEN** 系统使用 LibreOffice soffice 将 PPT 转换为 PPTX
+- **AND** 复用 PptxReader 解析转换后的 PPTX
+
+#### Scenario: 成功解析
+- **WHEN** 解析器成功
+- **THEN** 系统返回解析结果
+
+#### Scenario: 解析器失败
+- **WHEN** 解析器失败
+- **THEN** 系统返回失败列表并退出非零状态码
+
+### Requirement: LibreOffice 解析器
+系统 SHALL 支持使用 LibreOffice soffice 命令行解析 PPT。
+
+#### Scenario: LibreOffice 解析成功
+- **WHEN** soffice 可用且文档有效
+- **THEN** 系统返回 Markdown 内容
+
+#### Scenario: LibreOffice 未安装
+- **WHEN** soffice 未在 PATH 中
+- **THEN** 系统返回失败信息
+
+#### Scenario: LibreOffice 转换超时
+- **WHEN** soffice 执行超过 60 秒
+- **THEN** 系统返回超时错误
+
+#### Scenario: LibreOffice 转换失败
+- **WHEN** soffice 返回非零退出码
+- **THEN** 系统返回失败信息
+
+#### Scenario: 临时文件自动清理
+- **WHEN** 解析完成（无论成功或失败）
+- **THEN** 转换过程中生成的临时 PPTX 文件被自动清理
+
+### Requirement: 解析器独立文件
+系统 SHALL 将解析器实现为独立的单文件模块。
+
+#### Scenario: LibreOffice 解析器在独立文件
+- **WHEN** 使用 LibreOffice 解析器
+- **THEN** 从 readers/ppt/libreoffice.py 导入
+
+### Requirement: PPT Reader 测试使用静态文件
+PPT Reader 测试 MUST 使用 `tests/test_readers/fixtures/ppt/` 下的静态文件。
+
+#### Scenario: 测试使用 simple.ppt
+- **WHEN** 测试 PPT Reader 基础解析能力
+- **THEN** 使用 `simple.ppt` 静态文件

openspec/specs/reader-internal-utils/spec.md

@@ -93,3 +93,37 @@
 #### Scenario: 匹配页码
 - **WHEN** 文本匹配 `_UNSTRUCTURED_PAGE_NUMBER_PATTERN`（如 "— 3 —"）
 - **THEN** 系统将其识别为噪声并过滤
+
+### Requirement: 通用 LibreOffice 格式转换
+系统 SHALL 提供通用的 LibreOffice 格式转换函数，支持在不同格式间转换。
+
+#### Scenario: 转换文件到指定格式
+- **WHEN** 调用 `convert_via_libreoffice(input_path, target_format, output_dir)`
+- **THEN** 系统使用 soffice --headless --convert-to 进行转换
+- **AND** 输出文件写入 output_dir
+- **AND** 成功时返回 (output_path, None)
+- **AND** 失败时返回 (None, error_message)
+
+#### Scenario: LibreOffice 未安装
+- **WHEN** soffice 未在 PATH 中
+- **THEN** 系统返回 (None, "LibreOffice 未安装")
+
+#### Scenario: 转换超时
+- **WHEN** soffice 执行超过 timeout 秒（默认 60 秒）
+- **THEN** 系统返回 (None, "LibreOffice 转换超时")
+
+#### Scenario: 转换失败
+- **WHEN** soffice 返回非零退出码
+- **THEN** 系统返回 (None, "LibreOffice 转换失败 (code: {code})")
+
+#### Scenario: 输出文件未生成
+- **WHEN** soffice 执行成功但未生成输出文件
+- **THEN** 系统返回 (None, "LibreOffice 未生成输出文件")
+
+#### Scenario: 可自定义输出后缀
+- **WHEN** 提供 output_suffix 参数
+- **THEN** 系统使用该后缀作为输出文件后缀，而不是 target_format
+
+#### Scenario: 调用者管理输出目录生命周期
+- **WHEN** convert_via_libreoffice 执行完成
+- **THEN** 输出文件保留在 output_dir 中，由调用者负责清理

scripts/config.py

@@ -116,5 +116,30 @@ DEPENDENCIES = {
             "python": None,
             "dependencies": []
         }
+    },
+    "ppt": {
+        "default": {
+            "python": None,
+            "dependencies": [
+                "docling",
+                "unstructured[pptx]",
+                "markitdown[pptx]",
+                "python-pptx",
+                "markdownify",
+                "olefile"
+            ]
+        },
+        "Darwin-x86_64": {
+            "python": "3.12",
+            "dependencies": [
+                "docling==2.40.0",
+                "docling-parse==4.0.0",
+                "numpy<2",
+                "markitdown[pptx]",
+                "python-pptx",
+                "markdownify",
+                "olefile"
+            ]
+        }
     }
 }

scripts/readers/__init__.py

@@ -8,6 +8,7 @@ from .pptx import PptxReader
 from .pdf import PdfReader
 from .html import HtmlReader
 from .xls import XlsReader
+from .ppt import PptReader
 
 READERS = [
     DocxReader,
@@ -17,6 +18,7 @@ READERS = [
     PdfReader,
     HtmlReader,
     XlsReader,
+    PptReader,
 ]
 
 __all__ = [
@@ -28,5 +30,6 @@ __all__ = [
     "PdfReader",
     "HtmlReader",
     "XlsReader",
+    "PptReader",
     "READERS",
 ]

scripts/readers/_utils.py

@@ -66,6 +66,75 @@ def parse_via_docling(file_path: str) -> Tuple[Optional[str], Optional[str]]:
         return None, f"docling 解析失败: {str(e)}"
 
 
+def convert_via_libreoffice(
+    input_path: str,
+    target_format: str,
+    output_dir: Path,
+    output_suffix: Optional[str] = None,
+    timeout: int = 60
+) -> Tuple[Optional[Path], Optional[str]]:
+    """使用 LibreOffice soffice 命令行转换文件格式。
+
+    Args:
+        input_path: 输入文件路径
+        target_format: 目标格式（如 "md", "pptx"）
+        output_dir: 输出目录（调用者负责生命周期管理）
+        output_suffix: 可选，输出文件后缀（不指定则使用 target_format）
+        timeout: 超时时间（秒）
+
+    Returns:
+        (output_path, error_message): 成功时 (Path, None)，失败时 (None, error)
+    """
+    # 检测 soffice 是否在 PATH 中
+    soffice_path = shutil.which("soffice")
+    if not soffice_path:
+        return None, "LibreOffice 未安装"
+
+    input_file = Path(input_path)
+    suffix = output_suffix if output_suffix else target_format
+    expected_output = output_dir / (input_file.stem + "." + suffix)
+
+    # 构建命令
+    cmd = [
+        soffice_path,
+        "--headless",
+        "--convert-to", target_format,
+        "--outdir", str(output_dir),
+        str(input_file)
+    ]
+
+    # 执行命令
+    try:
+        result = subprocess.run(
+            cmd,
+            capture_output=True,
+            text=True,
+            timeout=timeout
+        )
+    except subprocess.TimeoutExpired:
+        return None, f"LibreOffice 转换超时 ({timeout}秒)"
+
+    # 检查返回码
+    if result.returncode != 0:
+        return None, f"LibreOffice 转换失败 (code: {result.returncode})"
+
+    # 检查输出文件是否存在
+    output_file = None
+    if expected_output.exists():
+        output_file = expected_output
+    else:
+        # Fallback: 遍历目录找任意匹配后缀的文件
+        pattern = "*." + suffix
+        files = list(output_dir.glob(pattern))
+        if files:
+            output_file = files[0]
+
+    if not output_file:
+        return None, "LibreOffice 未生成输出文件"
+
+    return output_file, None
+
+
 def parse_via_libreoffice(file_path: str) -> Tuple[Optional[str], Optional[str]]:
     """使用 LibreOffice soffice 命令行转换文件为 Markdown。
 
@@ -77,56 +146,18 @@ def parse_via_libreoffice(file_path: str) -> Tuple[Optional[str], Optional[str]]
     Returns:
         (markdown_content, error_message): 成功时 (content, None)，失败时 (None, error)
     """
-    # 检测 soffice 是否在 PATH 中
-    soffice_path = shutil.which("soffice")
-    if not soffice_path:
-        return None, "LibreOffice 未安装"
-
-    # 创建临时输出目录
     with tempfile.TemporaryDirectory() as temp_dir:
-        temp_path = Path(temp_dir)
+        output_path, error = convert_via_libreoffice(
-        input_path = Path(file_path)
+            input_path=file_path,
-        expected_output = temp_path / (input_path.stem + ".md")
+            target_format="md",
-
+            output_dir=Path(temp_dir),
-        # 构建命令
-        cmd = [
-            soffice_path,
-            "--headless",
-            "--convert-to", "md",
-            "--outdir", str(temp_path),
-            str(input_path)
-        ]
-
-        # 执行命令，超时 60 秒
-        try:
-            result = subprocess.run(
-                cmd,
-                capture_output=True,
-                text=True,
             timeout=60
         )
-        except subprocess.TimeoutExpired:
+        if error:
-            return None, "LibreOffice 转换超时 (60秒)"
+            return None, error
-
-        # 检查返回码
-        if result.returncode != 0:
-            return None, f"LibreOffice 转换失败 (code: {result.returncode})"
-
-        # 检查输出文件是否存在
-        output_file = None
-        if expected_output.exists():
-            output_file = expected_output
-        else:
-            # Fallback: 遍历目录找任意 .md 文件
-            md_files = list(temp_path.glob("*.md"))
-            if md_files:
-                output_file = md_files[0]
-
-        if not output_file:
-            return None, "LibreOffice 未生成输出文件"
 
         # 读取输出内容
-        content = output_file.read_text(encoding="utf-8", errors="replace")
+        content = output_path.read_text(encoding="utf-8", errors="replace")
         content = content.strip()
 
         if not content:

scripts/readers/ppt/__init__.py

@@ -0,0 +1,46 @@
+"""PPT 文件阅读器，使用 LibreOffice 解析。"""
+
+import os
+from typing import List, Optional, Tuple
+
+from readers.base import BaseReader
+from utils import is_valid_ppt
+
+from . import libreoffice
+
+
+PARSERS = [
+    ("LibreOffice", libreoffice.parse),
+]
+
+
+class PptReader(BaseReader):
+    """PPT 文件阅读器"""
+
+    def supports(self, file_path: str) -> bool:
+        return file_path.lower().endswith('.ppt')
+
+    def parse(self, file_path: str) -> Tuple[Optional[str], List[str]]:
+        failures = []
+
+        # 检查文件是否存在
+        if not os.path.exists(file_path):
+            return None, ["文件不存在"]
+
+        # 验证文件格式
+        if not is_valid_ppt(file_path):
+            return None, ["不是有效的 PPT 文件"]
+
+        content = None
+
+        for parser_name, parser_func in PARSERS:
+            try:
+                content, error = parser_func(file_path)
+                if content is not None:
+                    return content, failures
+                else:
+                    failures.append(f"- {parser_name}: {error}")
+            except Exception as e:
+                failures.append(f"- {parser_name}: [意外异常] {type(e).__name__}: {str(e)}")
+
+        return None, failures

scripts/readers/ppt/libreoffice.py

@@ -0,0 +1,37 @@
+"""使用 LibreOffice soffice 命令行转换 PPT 为 PPTX 后复用 PptxReader 解析"""
+
+import tempfile
+from pathlib import Path
+from typing import Optional, Tuple
+
+from readers._utils import convert_via_libreoffice
+from readers.pptx import PptxReader
+
+
+def parse(file_path: str) -> Tuple[Optional[str], Optional[str]]:
+    """使用 LibreOffice soffice 解析 PPT 文件
+
+    Args:
+        file_path: PPT 文件路径
+
+    Returns:
+        (markdown_content, error_message): 成功时 (content, None)，失败时 (None, error)
+    """
+    with tempfile.TemporaryDirectory() as temp_dir:
+        # 将 PPT 转换为 PPTX
+        pptx_path, error = convert_via_libreoffice(
+            input_path=file_path,
+            target_format="pptx",
+            output_dir=Path(temp_dir),
+            timeout=60
+        )
+        if error:
+            return None, error
+
+        # 复用 PptxReader 解析转换后的 PPTX
+        reader = PptxReader()
+        content, failures = reader.parse(str(pptx_path))
+        if content is not None:
+            return content, None
+        else:
+            return None, f"转换成功但 PPTX 解析失败: {failures}"

scripts/utils/__init__.py

@@ -7,6 +7,7 @@ from .file_detection import (
     is_valid_xlsx,
     is_valid_pdf,
     is_valid_xls,
+    is_valid_ppt,
     is_html_file,
     is_url,
 )
@@ -18,6 +19,7 @@ __all__ = [
     "is_valid_xlsx",
     "is_valid_pdf",
     "is_valid_xls",
+    "is_valid_ppt",
     "is_html_file",
     "is_url",
 ]

scripts/utils/file_detection.py

@@ -58,6 +58,11 @@ def is_valid_doc(file_path: str) -> bool:
     return _is_valid_ole(file_path)
 
 
+def is_valid_ppt(file_path: str) -> bool:
+    """验证文件是否为有效的 PPT 格式（OLE2）"""
+    return _is_valid_ole(file_path)
+
+
 def is_valid_pdf(file_path: str) -> bool:
     """验证文件是否为有效的 PDF 格式"""
     try:

tests/test_readers/test_ppt/__init__.py

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

tests/test_readers/test_ppt/test_consistency.py

@@ -0,0 +1,25 @@
+"""测试所有 PPT Readers 的一致性。"""
+
+import pytest
+from readers.ppt import libreoffice
+
+
+class TestPptReadersConsistency:
+    """验证所有 PPT Readers 解析同一文件时核心文字内容一致。"""
+
+    def test_parsers_importable(self):
+        """测试所有 parser 模块可以正确导入。"""
+        # 验证模块导入成功
+        assert libreoffice is not None
+        assert hasattr(libreoffice, 'parse')
+
+    def test_parser_functions_callable(self):
+        """测试 parse 函数是可调用的。"""
+        assert callable(libreoffice.parse)
+
+    def test_libreoffice_parse_simple_ppt(self, simple_ppt_path):
+        """测试 LibreOffice 解析简单文件。"""
+        content, error = libreoffice.parse(simple_ppt_path)
+        # LibreOffice 可能未安装，所以不强制断言成功
+        if content is not None:
+            assert content.strip() != ""

tests/test_readers/test_ppt/test_libreoffice.py

@@ -0,0 +1,35 @@
+"""测试 LibreOffice PPT Reader 的解析功能。"""
+
+import pytest
+import os
+from readers.ppt import libreoffice
+
+
+class TestLibreOfficePptReaderParse:
+    """测试 LibreOffice PPT Reader 的 parse 方法。"""
+
+    def test_simple_ppt(self, simple_ppt_path):
+        """测试简单 PPT 文件解析。"""
+        content, error = libreoffice.parse(simple_ppt_path)
+        if content is not None:
+            # 至少能解析出一些内容
+            assert content.strip() != ""
+
+    def test_multiple_slides_ppt(self, multiple_slides_ppt_path):
+        """测试多幻灯片 PPT 文件解析。"""
+        content, error = libreoffice.parse(multiple_slides_ppt_path)
+        if content is not None:
+            assert content.strip() != ""
+
+    def test_with_images_ppt(self, with_images_ppt_path):
+        """测试带图片的 PPT 文件解析。"""
+        content, error = libreoffice.parse(with_images_ppt_path)
+        if content is not None:
+            assert content.strip() != ""
+
+    def test_file_not_exists(self, tmp_path):
+        """测试文件不存在的情况。"""
+        non_existent_file = str(tmp_path / "non_existent.ppt")
+        content, error = libreoffice.parse(non_existent_file)
+        assert content is None
+        assert error is not None