refactor: 完善降级链的异常捕获机制

为所有 Reader 的 parser 循环添加 try-except 防护层，确保即使 parser
抛出意外异常，降级链也能继续尝试下一个 parser。

主要变更：
- 所有 Reader (DocxReader/PdfReader/XlsxReader/PptxReader/HtmlReader)
  的 parse 方法中添加防护层，捕获意外异常并标记为 [意外异常]
- cleaner.clean_html_content() 添加异常处理，返回 (content, error) 元组
- HtmlReader.parse() 更新 cleaner 调用方式，处理新的返回值格式
- BaseReader 添加详细的异常处理规范文档

设计原则：双层异常保护
- Parser 层：捕获预期的解析失败（库未安装、格式不支持）
- Reader 层：捕获意外的编程错误（NoneType、索引越界等）

scripts/readers/base.py

@@ -38,5 +38,29 @@ class BaseReader(ABC):
         Returns: (content, failures)
         - content: 成功时返回 Markdown 内容，失败时返回 None
         - failures: 各解析器的失败原因列表
+
+        异常处理规范：
+        -----------------
+        文档读取系统采用三级降级链设计，使用元组返回而非抛出异常：
+
+        1. Parser 层（最底层）：
+           - 每个 parser 函数返回 (content, error) 元组
+           - 必须捕获所有预期异常（ImportError, OSError, 解析异常等）
+           - 返回清晰的错误信息，如 "库未安装"、"解析失败: xxx"
+
+        2. Reader 层（中间层）：
+           - 遍历多个 parser，收集失败原因
+           - 必须在 parser 循环中添加 try-except 防护层
+           - 捕获意外异常并记录："[意外异常] ExceptionType: message"
+           - 任一 parser 成功即返回，失败则继续尝试下一个
+
+        3. 调用层（最顶层）：
+           - parse_input() 遍历多个 reader
+           - 无 reader 支持时抛出 ReaderNotFoundError
+
+        设计原则：
+        - "失败是预期分支，而非异常情况"
+        - 元组返回优于异常抛出（除顶层外）
+        - 双层异常保护：Parser 层处理预期错误，Reader 层捕获意外异常
         """
         pass

scripts/readers/docx/__init__.py

@@ -44,10 +44,13 @@ class DocxReader(BaseReader):
         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/html/__init__.py

@@ -50,7 +50,11 @@ class HtmlReader(BaseReader):
                 return None, [f"- {error}"]
 
         # 步骤 2: 清理 HTML 内容
-        html_content = cleaner.clean_html_content(html_content)
+        cleaned_html, error = cleaner.clean_html_content(html_content)
+        if error:
+            all_failures.append(f"- cleaner: {error}")
+            return None, all_failures
+        html_content = cleaned_html
 
         # 步骤 3: 对每个 Parser 创建独立的临时文件并尝试解析
         for parser_name, parser_func in PARSERS:
@@ -61,12 +65,15 @@ class HtmlReader(BaseReader):
                 with os.fdopen(fd, 'w', encoding='utf-8') as f:
                     f.write(html_content)
 
-                # 调用 Parser 解析
+                # 调用 Parser 解析（添加防护层）
+                try:
                     content, error = parser_func(temp_file_path)
                     if content is not None:
                         return content, all_failures
                     else:
                         all_failures.append(f"- {parser_name}: {error}")
+                except Exception as e:
+                    all_failures.append(f"- {parser_name}: [意外异常] {type(e).__name__}: {str(e)}")
             finally:
                 # 清理临时文件
                 try:

scripts/readers/html/cleaner.py

@@ -1,11 +1,24 @@
 """HTML 清理模块，用于清理 HTML 内容中的敏感信息。"""
 
 import re
+from typing import Optional, Tuple
+
 from bs4 import BeautifulSoup
 
 
-def clean_html_content(html_content: str) -> str:
+def clean_html_content(html_content: str) -> Tuple[Optional[str], Optional[str]]:
-    """清理 HTML 内容，移除 script/style/link/svg 标签和 URL 属性。"""
+    """
+    清理 HTML 内容，移除 script/style/link/svg 标签和 URL 属性。
+
+    Returns:
+        (content, error): 成功时返回 (清理后的 HTML, None)，失败时返回 (None, 错误信息)
+    """
+    try:
+        from bs4 import BeautifulSoup
+    except ImportError:
+        return None, "beautifulsoup4 库未安装"
+
+    try:
         soup = BeautifulSoup(html_content, "html.parser")
 
         # Remove all script tags
@@ -66,4 +79,9 @@ def clean_html_content(html_content: str) -> str:
                 cleaned_classes = [c for c in classes if not c.startswith("url ") and not "hyperlink-href:" in c]
                 tag["class"] = cleaned_classes
 
-    return str(soup)
+        content = str(soup)
+        if not content.strip():
+            return None, "清理后内容为空"
+        return content, None
+    except Exception as e:
+        return None, f"BeautifulSoup 解析失败: {str(e)}"

scripts/readers/pdf/__init__.py

@@ -44,10 +44,13 @@ class PdfReader(BaseReader):
         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/pptx/__init__.py

@@ -42,10 +42,13 @@ class PptxReader(BaseReader):
         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/xlsx/__init__.py

@@ -42,10 +42,13 @@ class XlsxReader(BaseReader):
         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