lanyuanxiaoyao/lyxy-document
1
0
Fork 0
Code Releases Activity
Files
6c003d73f3e2b4c1338fa9093e29b2d94cd6b347
lyxy-document/openspec/changes/archive/2026-03-08-unify-document-readers/tasks.md
lanyuanxiaoyao 833018d451 feat: 统一文档解析器项目 - 迁移 lyxy-reader-office 和 lyxy-reader-html 
## 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
2026-03-08 13:46:37 +08:00

2.7 KiB
Raw Blame History

1. 项目基础架构

  • 1.1 创建目录结构（core/、readers/、utils/、tests/）
  • 1.2 更新 pyproject.toml，添加所有依赖分组
  • 1.3 创建 core/exceptions.py，实现自定义异常体系
  • 1.4 创建 readers/base.py，实现 Reader 基类

2. 核心模块

  • 2.1 创建 core/markdown.py，迁移 Markdown 后处理函数
  • 2.2 创建 utils/file_detection.py，实现输入类型检测
  • 2.3 创建 core/parser.py，实现统一解析调度器
  • 2.4 创建 readers/init.py，显式注册所有 reader

3. DOCX Reader

  • 3.1 创建 readers/docx/ 目录结构和 init.py
  • 3.2 创建 readers/docx/docling.py
  • 3.3 创建 readers/docx/unstructured.py
  • 3.4 创建 readers/docx/markitdown.py
  • 3.5 创建 readers/docx/pypandoc.py
  • 3.6 创建 readers/docx/python_docx.py
  • 3.7 创建 readers/docx/native_xml.py

4. XLSX Reader

  • 4.1 创建 readers/xlsx/ 目录结构和 init.py
  • 4.2 创建 readers/xlsx/docling.py
  • 4.3 创建 readers/xlsx/unstructured.py
  • 4.4 创建 readers/xlsx/markitdown.py
  • 4.5 创建 readers/xlsx/pandas.py
  • 4.6 创建 readers/xlsx/native_xml.py

5. PPTX Reader

  • 5.1 创建 readers/pptx/ 目录结构和 init.py
  • 5.2 创建 readers/pptx/docling.py
  • 5.3 创建 readers/pptx/unstructured.py
  • 5.4 创建 readers/pptx/markitdown.py
  • 5.5 创建 readers/pptx/python_pptx.py
  • 5.6 创建 readers/pptx/native_xml.py

6. PDF Reader

  • 6.1 创建 readers/pdf/ 目录结构和 init.py
  • 6.2 创建 readers/pdf/docling_ocr.py
  • 6.3 创建 readers/pdf/unstructured_ocr.py
  • 6.4 创建 readers/pdf/docling.py
  • 6.5 创建 readers/pdf/unstructured.py
  • 6.6 创建 readers/pdf/markitdown.py
  • 6.7 创建 readers/pdf/pypdf.py

7. HTML Reader

  • 7.1 创建 readers/html/ 目录结构和 init.py
  • 7.2 创建 readers/html/downloader.py，迁移 URL 下载器
  • 7.3 创建 readers/html/cleaner.py，迁移 HTML 清理器
  • 7.4 创建 readers/html/trafilatura.py
  • 7.5 创建 readers/html/domscribe.py
  • 7.6 创建 readers/html/markitdown.py
  • 7.7 创建 readers/html/html2text.py

8. 统一 CLI 入口

  • 8.1 创建 lyxy_document_reader.py，实现统一 CLI
  • 8.2 集成 logging 模块

9. 测试

  • 9.1 创建 tests/conftest.py
  • 9.2 创建 tests/test_core/，测试核心模块
  • 9.3 创建 tests/test_readers/test_docx/
  • 9.4 创建 tests/test_readers/test_xlsx/
  • 9.5 创建 tests/test_readers/test_pptx/
  • 9.6 创建 tests/test_readers/test_pdf/
  • 9.7 创建 tests/test_readers/test_html/
  • 9.8 创建 tests/test_utils/，测试工具函数

10. 文档

  • 10.1 重写 README.md
View Git Blame Copy Permalink