lanyuanxiaoyao
833018d451
## 功能特性 - 建立统一的项目结构，包含 core/、readers/、utils/、tests/ 模块 - 迁移 lyxy-reader-office 的所有解析器（docx、xlsx、pptx、pdf） - 迁移 lyxy-reader-html 的所有解析器（html、url 下载） - 统一 CLI 入口为 lyxy_document_reader.py - 统一 Markdown 后处理逻辑 - 按文件类型组织 readers，每个解析器独立文件 - 依赖分组按文件类型细分（docx、xlsx、pptx、pdf、html、http） - PDF OCR 解析器优先，无参数控制 - 使用 logging 模块替代简单 print - 设计完整的单元测试结构 - 重写项目文档 ## 新增目录/文件 - core/ - 核心模块（异常体系、Markdown 工具、解析调度器） - readers/ - 格式阅读器（base.py + docx/xlsx/pptx/pdf/html） - utils/ - 工具函数（文件类型检测） - tests/ - 测试（conftest.py + test_core/ + test_readers/ + test_utils/） - lyxy_document_reader.py - 统一 CLI 入口 ## 依赖分组 - docx - DOCX 文档解析支持 - xlsx - XLSX 文档解析支持 - pptx - PPTX 文档解析支持 - pdf - PDF 文档解析支持（含 OCR） - html - HTML/URL 解析支持 - http - HTTP/URL 下载支持 - office - Office 格式组合（docx/xlsx/pptx/pdf） - web - Web 格式组合（html/http） - full - 完整功能 - dev - 开发依赖
41 lines
1.7 KiB
Markdown
41 lines
1.7 KiB
Markdown
## Why
|
||
|
||
当前有两个独立的文档解析 skill（lyxy-reader-office 和 lyxy-reader-html），功能存在大量重复，维护成本高。将它们统一到 lyxy-document 项目中，可以减少代码重复、便于后续扩展，并提供更一致的使用体验。
|
||
|
||
## What Changes
|
||
|
||
- 建立统一的项目结构，包含 core、readers、utils 等模块
|
||
- 迁移 lyxy-reader-office 的所有解析器（docx、xlsx、pptx、pdf）
|
||
- 迁移 lyxy-reader-html 的所有解析器（html、url 下载）
|
||
- 统一 CLI 入口为 lyxy_document_reader.py
|
||
- 统一 Markdown 后处理逻辑
|
||
- 按文件类型组织 readers，每个解析器独立文件
|
||
- 依赖分组按文件类型细分（docx、xlsx、pptx、pdf、html、http）
|
||
- PDF OCR 解析器优先，无参数控制
|
||
- 使用 logging 模块替代简单 print
|
||
- 设计完整的单元测试和集成测试
|
||
- 重写项目文档，不迁移原 skill 的 references 文档
|
||
|
||
## Capabilities
|
||
|
||
### New Capabilities
|
||
|
||
- `document-reading`: 统一的文档读取核心能力，包含 CLI 入口、解析调度、Markdown 后处理
|
||
- `docx-reader`: DOCX 文档解析能力
|
||
- `xlsx-reader`: XLSX 文档解析能力
|
||
- `pptx-reader`: PPTX 文档解析能力
|
||
- `pdf-reader`: PDF 文档解析能力（含 OCR）
|
||
- `html-reader`: HTML/URL 解析能力
|
||
|
||
### Modified Capabilities
|
||
|
||
（无现有能力需要修改）
|
||
|
||
## Impact
|
||
|
||
- 新增目录：core/、readers/、utils/、tests/
|
||
- 新增入口文件：lyxy_document_reader.py
|
||
- 更新 pyproject.toml，添加依赖分组
|
||
- 新增自定义异常体系
|
||
- 受影响的依赖：docling、unstructured、markitdown、trafilatura、domscribe、html2text、beautifulsoup4、httpx、pyppeteer、selenium、python-docx、python-pptx、pandas、tabulate、pypdf、pypandoc-binary、unstructured-paddleocr
|