# lyxy-document

统一文档解析工具 - 将 DOCX、XLSX、PPTX、PDF、HTML/URL 转换为 Markdown

## 开发环境

- 使用 uv 管理依赖，禁用主机 Python
- 依赖声明：pyproject.toml
- 安装：uv sync

## 项目结构

```
scripts/          # 核心代码
├── core/         # 核心模块（解析调度、异常、Markdown 工具）
├── readers/      # 格式阅读器
└── utils/        # 工具函数
tests/            # 测试
openspec/         # 规范文档
skill/            # SKILL 文档
```

## 开发工作流

```bash
# 运行测试
uv run pytest

# 运行测试并查看覆盖率
uv run pytest --cov=scripts --cov-report=term-missing

# 运行特定测试文件
uv run pytest tests/test_readers/test_docx/

# 运行特定测试类或方法
uv run pytest tests/test_cli/test_main.py::TestCLIDefaultOutput::test_default_output_docx

# 代码格式化
uv run black .
uv run isort .

# 类型检查
uv run mypy .
```

## 测试

项目包含完整的测试套件,覆盖 CLI 和所有 Reader 实现:

- **测试覆盖率**: 69%
- **测试数量**: 193 个测试
- **测试类型**:
  - CLI 功能测试（字数统计、行数统计、标题提取、搜索等）
  - Reader 解析测试（DOCX、PDF、HTML、PPTX、XLSX）
  - 多 Reader 实现测试（每种格式测试多个解析库）
  - 异常场景测试（文件不存在、空文件、损坏文件、特殊字符）
  - 编码测试（GBK、UTF-8 BOM 等）
  - 一致性测试（验证不同 Reader 解析结果的一致性）

运行测试前确保已安装所有依赖：
```bash
uv sync
```

## 代码规范

- 语言：仅中文（交流、注释、文档、代码）
- 模块文件：150-300 行
- 错误处理：自定义异常 + 清晰信息 + 位置上下文
- Git 提交：类型: 简短描述（feat/fix/refactor/docs/style/test/chore）

## Skill 文档规范

skill/SKILL.md 面向 AI 用户，必须遵循 Claude Skill 构建指南的最佳实践：

### YAML frontmatter

- **name**: kebab-case 格式
- **description**: 包含功能说明、触发词、文件类型、典型任务
- **license**: MIT
- **metadata**: 包含 version、author
- **compatibility**: 说明 Python 版本要求和依赖情况

### 文档章节结构

1. **Purpose**: 说明统一入口和双路径执行策略
2. **When to Use**: 典型场景和触发词列表（中英文、文件扩展名）
3. **Quick Reference**: 命令参数表格
4. **Workflow**: 4 步工作流程（检测环境、识别类型、执行解析、输出结果）
5. **使用示例**: 各文档类型的基本用法和高级用法
6. **错误处理**: 常见错误及解决方案
7. **References**: 指向项目文档的链接

### 双路径执行策略

- **优先**: 使用 lyxy-runner-python skill（自动管理依赖）
- **回退**: 主机 Python 环境（需手动安装依赖）

### 依赖说明

- 必须使用具体的 pip 包名
- 不能使用 lyxy-document[xxx] 形式（发布时没有 pyproject.toml）
- 按文档类型分组说明

## 解析器架构

### DOCX
docling、unstructured、pypandoc-binary、MarkItDown、python-docx、XML

### XLSX
docling、unstructured、MarkItDown、pandas、XML

### PPTX
docling、unstructured、MarkItDown、python-pptx、XML

### PDF（OCR 优先）
docling OCR、unstructured OCR、docling、unstructured、MarkItDown、pypdf

### HTML/URL
trafilatura、domscribe、MarkItDown、html2text

## 许可证

MIT License