## Purpose

HTML/URL 文档解析能力，支持多种解析方法。

## Requirements

### Requirement: HTML 文档解析
系统 SHALL 支持解析 HTML 格式文档和 URL 网页，URL 处理逻辑在 HTML reader 内部统一处理。

#### Scenario: 按优先级尝试解析器
- **WHEN** 解析 HTML 内容
- **THEN** 系统按 trafilatura → domscribe → markitdown → html2text 的顺序尝试

#### Scenario: 成功解析
- **WHEN** 任一解析器成功
- **THEN** 系统返回解析结果

#### Scenario: 所有解析器失败
- **WHEN** 所有解析器均失败
- **THEN** 系统返回失败列表并退出非零状态码

### Requirement: URL 下载
系统 SHALL 在 HTML reader 内部处理 URL 下载，而非在 parse_input() 中特殊处理。

#### Scenario: HTML reader 支持 URL
- **WHEN** 调用 HtmlReader.supports(input_path) 且 input_path 为 URL
- **THEN** 返回 True

#### Scenario: HTML reader 解析 URL
- **WHEN** 调用 HtmlReader.parse(input_path) 且 input_path 为 URL
- **THEN** 系统调用内部的 download_and_parse() 方法

#### Scenario: 按优先级尝试下载器
- **WHEN** 输入为 URL
- **THEN** 系统按 pyppeteer → selenium → httpx → urllib 的顺序尝试下载

#### Scenario: 成功下载
- **WHEN** 任一下载器成功
- **THEN** 系统返回 HTML 内容

#### Scenario: 所有下载器失败
- **WHEN** 所有下载器均失败
- **THEN** 系统返回失败列表并退出非零状态码

### Requirement: HTML 内容清理
系统 SHALL 在解析前清理 HTML 内容，移除不需要的标签和属性。

#### Scenario: 移除 script 标签
- **WHEN** HTML 内容包含 script 标签
- **THEN** 系统移除所有 script 标签

#### Scenario: 移除 style 标签
- **WHEN** HTML 内容包含 style 标签
- **THEN** 系统移除所有 style 标签

#### Scenario: 移除 svg 标签
- **WHEN** HTML 内容包含 svg 标签
- **THEN** 系统移除所有 svg 标签

#### Scenario: 移除 link 标签
- **WHEN** HTML 内容包含 link 标签
- **THEN** 系统移除所有 link 标签

#### Scenario: 移除 URL 属性
- **WHEN** HTML 标签包含 href、src、srcset、action 属性
- **THEN** 系统移除这些属性

#### Scenario: 移除 style 属性
- **WHEN** HTML 标签包含 style 属性
- **THEN** 系统移除所有 style 属性

#### Scenario: 移除 data-href 属性
- **WHEN** HTML 标签包含 data-href 属性
- **THEN** 系统移除这些属性

#### Scenario: 清理 title 属性中的 URL
- **WHEN** HTML 标签的 title 属性包含 URL
- **THEN** 系统移除 URL

#### Scenario: 清理包含 URL 的 class 属性
- **WHEN** HTML 标签的 class 属性包含 URL 样式
- **THEN** 系统移除这些 class

### Requirement: pyppeteer 下载器
系统 SHALL 支持使用 pyppeteer 下载 URL（支持 JS 渲染）。

#### Scenario: pyppeteer 下载成功
- **WHEN** pyppeteer 库可用且 URL 可访问
- **THEN** 系统返回渲染后的 HTML 内容

#### Scenario: pyppeteer 库未安装
- **WHEN** pyppeteer 库未安装
- **THEN** 系统尝试下一个下载器

### Requirement: selenium 下载器
系统 SHALL 支持使用 selenium 下载 URL（支持 JS 渲染）。

#### Scenario: selenium 下载成功
- **WHEN** selenium 库可用、LYXY_CHROMIUM_DRIVER 和 LYXY_CHROMIUM_BINARY 环境变量配置正确且 URL 可访问
- **THEN** 系统返回渲染后的 HTML 内容

#### Scenario: selenium 依赖未满足
- **WHEN** selenium 库未安装或环境变量未配置
- **THEN** 系统尝试下一个下载器

### Requirement: httpx 下载器
系统 SHALL 支持使用 httpx 下载 URL（轻量级 HTTP 客户端）。

#### Scenario: httpx 下载成功
- **WHEN** httpx 库可用且 URL 可访问
- **THEN** 系统返回 HTML 内容

#### Scenario: httpx 库未安装
- **WHEN** httpx 库未安装
- **THEN** 系统尝试下一个下载器

### Requirement: urllib 下载器
系统 SHALL 支持使用 urllib 下载 URL（标准库，兜底方案）。

#### Scenario: urllib 下载成功
- **WHEN** URL 可访问
- **THEN** 系统返回 HTML 内容

#### Scenario: urllib 下载失败
- **WHEN** urllib 下载失败
- **THEN** 系统返回失败信息

### Requirement: trafilatura 解析器
系统 SHALL 支持使用 trafilatura 解析 HTML。

#### Scenario: trafilatura 解析成功
- **WHEN** trafilatura 库可用且 HTML 有效
- **THEN** 系统返回 Markdown 内容

#### Scenario: trafilatura 库未安装
- **WHEN** trafilatura 库未安装
- **THEN** 系统尝试下一个解析器

### Requirement: domscribe 解析器
系统 SHALL 支持使用 domscribe 解析 HTML。

#### Scenario: domscribe 解析成功
- **WHEN** domscribe 库可用且 HTML 有效
- **THEN** 系统返回 Markdown 内容

#### Scenario: domscribe 库未安装
- **WHEN** domscribe 库未安装
- **THEN** 系统尝试下一个解析器

### Requirement: markitdown 解析器
系统 SHALL 支持使用 markitdown 解析 HTML。

#### Scenario: markitdown 解析成功
- **WHEN** markitdown 库可用且 HTML 有效
- **THEN** 系统返回 Markdown 内容

#### Scenario: markitdown 库未安装
- **WHEN** markitdown 库未安装
- **THEN** 系统尝试下一个解析器

### Requirement: html2text 解析器
系统 SHALL 支持使用 html2text 解析 HTML（兜底方案）。

#### Scenario: html2text 解析成功
- **WHEN** html2text 库可用且 HTML 有效
- **THEN** 系统返回 Markdown 内容

#### Scenario: html2text 库未安装
- **WHEN** html2text 库未安装
- **THEN** 系统返回失败信息

### Requirement: 下载器在 html 目录下
系统 SHALL 将下载器和清理器放在 html 目录下，不拆分。

#### Scenario: downloader.py 在 html 目录
- **WHEN** 使用 URL 下载功能
- **THEN** 从 readers/html/downloader.py 导入

#### Scenario: cleaner.py 在 html 目录
- **WHEN** 使用 HTML 清理功能
- **THEN** 从 readers/html/cleaner.py 导入

### Requirement: 每个 HTML 解析器独立文件
系统 SHALL 将每个 HTML 解析器实现为独立的单文件模块。

#### Scenario: trafilatura 解析器在独立文件
- **WHEN** 使用 trafilatura 解析器
- **THEN** 从 readers/html/trafilatura.py 导入

#### Scenario: domscribe 解析器在独立文件
- **WHEN** 使用 domscribe 解析器
- **THEN** 从 readers/html/domscribe.py 导入

#### Scenario: markitdown 解析器在独立文件
- **WHEN** 使用 markitdown 解析器
- **THEN** 从 readers/html/markitdown.py 导入

#### Scenario: html2text 解析器在独立文件
- **WHEN** 使用 html2text 解析器
- **THEN** 从 readers/html/html2text.py 导入

### Requirement: HTML 文件编码检测
系统 SHALL 在读取本地 HTML 文件时使用编码自动检测。

#### Scenario: 读取 HTML 文件使用编码检测
- **WHEN** 解析本地 HTML 文件
- **THEN** 系统使用 encoding_detection.read_text_file() 读取文件

#### Scenario: 编码检测成功
- **WHEN** 编码检测成功读取文件
- **THEN** 系统继续解析 HTML 内容

#### Scenario: 编码检测失败
- **WHEN** 编码检测失败
- **THEN** 系统返回错误信息包含编码检测失败原因

### Requirement: HTML reader 统一处理 URL 和文件
系统 SHALL 在 HTML reader 的 parse() 方法中统一处理 URL 和本地文件。

#### Scenario: parse() 判断输入类型
- **WHEN** 调用 HtmlReader.parse(file_path)
- **THEN** 系统判断 file_path 是 URL 还是本地文件

#### Scenario: URL 调用 download_and_parse
- **WHEN** file_path 为 URL
- **THEN** 系统调用 self.download_and_parse(file_path)

#### Scenario: 本地文件读取并解析
- **WHEN** file_path 为本地文件
- **THEN** 系统使用编码检测读取文件，然后解析 HTML 内容

### Requirement: HTML reader supports() 支持 URL
系统 SHALL 在 HTML reader 的 supports() 方法中同时支持 URL 和 HTML 文件扩展名。

#### Scenario: supports() 识别 URL
- **WHEN** 调用 HtmlReader.supports(file_path) 且 file_path 以 http:// 或 https:// 开头
- **THEN** 返回 True

#### Scenario: supports() 识别 HTML 文件
- **WHEN** 调用 HtmlReader.supports(file_path) 且 file_path 以 .html 或 .htm 结尾
- **THEN** 返回 True

#### Scenario: supports() 不支持其他类型
- **WHEN** 调用 HtmlReader.supports(file_path) 且 file_path 既非 URL 也非 HTML 文件
- **THEN** 返回 False