# Reader Testing Specification

## Purpose

定义 Reader 实现的测试规范,包括 supports 方法验证、parse 方法测试、特殊字符处理、多 Reader 一致性等。

## Requirements

### Requirement: Reader supports 方法验证
每个 Reader MUST 实现 `supports(file_path: str) -> bool` 方法，正确判断是否支持给定输入。

#### Scenario: DOCX Reader 识别标准扩展名
- **WHEN** 调用 DOCX Reader 的 `supports("file.docx")`
- **THEN** 返回 True

#### Scenario: DOCX Reader 识别大写扩展名
- **WHEN** 调用 DOCX Reader 的 `supports("FILE.DOCX")`
- **THEN** 返回 True

#### Scenario: DOCX Reader 识别 .doc 扩展名
- **WHEN** 调用 DOCX Reader 的 `supports("file.doc")`
- **THEN** 返回 True

#### Scenario: DOCX Reader 拒绝不支持格式
- **WHEN** 调用 DOCX Reader 的 `supports("file.pdf")`
- **THEN** 返回 False

#### Scenario: DOCX Reader 支持 URL
- **WHEN** 调用 DOCX Reader 的 `supports("http://example.com/file.docx")`
- **THEN** 返回 True

#### Scenario: PDF Reader 识别 PDF 文件
- **WHEN** 调用 PDF Reader 的 `supports("file.pdf")`
- **THEN** 返回 True

#### Scenario: HTML Reader 识别 HTML 文件
- **WHEN** 调用 HTML Reader 的 `supports("file.html")`
- **THEN** 返回 True

### Requirement: Reader parse 方法正常解析
每个 Reader MUST 实现 `parse(file_path: str) -> Tuple[Optional[str], List[str]]` 方法，成功解析时返回 Markdown 内容和空失败列表。

#### Scenario: DOCX Reader 解析包含段落
- **WHEN** DOCX Reader 解析包含段落的文件
- **THEN** 返回的 Markdown 内容包含段落文字
- **AND** 失败列表为空

#### Scenario: DOCX Reader 解析包含标题
- **WHEN** DOCX Reader 解析包含标题的文件
- **THEN** 返回的 Markdown 内容包含 `# ` 标记的标题

#### Scenario: DOCX Reader 解析包含表格
- **WHEN** DOCX Reader 解析包含表格的文件
- **THEN** 返回的 Markdown 内容包含表格中的关键文字

#### Scenario: DOCX Reader 解析包含列表
- **WHEN** DOCX Reader 解析包含列表的文件
- **THEN** 返回的 Markdown 内容包含列表项文字

#### Scenario: PDF Reader 解析基本内容
- **WHEN** PDF Reader 解析包含文字的 PDF
- **THEN** 返回的 Markdown 内容包含关键文字

#### Scenario: HTML Reader 解析网页内容
- **WHEN** HTML Reader 解析包含内容的 HTML 文件
- **THEN** 返回的 Markdown 内容包含网页关键文字

### Requirement: Reader 解析结果核心文字一致性
同一文件使用不同 Reader 解析时，MUST 保持核心文字内容一致（样式和格式可以不同）。

#### Scenario: DOCX 多 Reader 一致性
- **WHEN** 同一 DOCX 文件被 python-docx、markitdown、docling 等 Reader 解析
- **THEN** 所有输出的 Markdown 都包含相同的核心文字内容

#### Scenario: PDF 多 Reader 一致性
- **WHEN** 同一 PDF 文件被 pypdf、markitdown、docling 等 Reader 解析
- **THEN** 所有输出的 Markdown 都包含相同的核心文字内容

### Requirement: Reader 处理特殊字符
Reader MUST 正确处理包含特殊字符的内容。

#### Scenario: 处理中文字符
- **WHEN** 文件包含中文内容
- **THEN** 解析后的 Markdown 正确包含中文

#### Scenario: 处理 Emoji 表情
- **WHEN** 文件包含 Emoji（如 😀🎉）
- **THEN** 解析后的 Markdown 正确包含 Emoji

#### Scenario: 处理特殊符号
- **WHEN** 文件包含特殊符号（©®™°±）
- **THEN** 解析后的 Markdown 正确包含这些符号

#### Scenario: 处理 RTL 文本
- **WHEN** 文件包含阿拉伯文等 RTL 文本
- **THEN** 解析后的 Markdown 正确包含 RTL 文本

#### Scenario: 处理混合文本
- **WHEN** 文件包含混合内容（如 "Hello你好🎉"）
- **THEN** 解析后的 Markdown 正确包含混合内容

#### Scenario: 处理零宽字符
- **WHEN** 文件包含零宽字符（\u200b\u200c\u200d）
- **THEN** 解析后的 Markdown 正确处理这些字符

#### Scenario: 处理超长文本
- **WHEN** 文件包含超长文本（如 100000 个字符）
- **THEN** Reader 能够成功解析

### Requirement: Reader 独立测试
每个 Reader 实现 MUST 有独立的测试文件，不使用参数化测试。

#### Scenario: 每个 DOCX Reader 有独立测试
- **WHEN** 查看 test_readers/test_docx/ 目录
- **THEN** 存在 test_python_docx.py、test_markitdown.py、test_docling.py 等独立文件

#### Scenario: 每个 PDF Reader 有独立测试
- **WHEN** 查看 test_readers/test_pdf/ 目录
- **THEN** 存在 test_pypdf.py、test_markitdown.py、test_docling.py 等独立文件