lyxy-document/openspec/specs/reader-testing/spec.md

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

Requirement: 旧格式文档测试覆盖

doc/xls/ppt 旧格式文档 MUST 有与新格式（docx/xlsx/pptx）一致的测试覆盖。

Scenario: doc 有一致性测试

• WHEN 查看 tests/test_readers/test_doc/
• THEN 存在 test_consistency.py 测试所有 DOC Readers 解析结果一致性

Scenario: xls 有一致性测试

• WHEN 查看 tests/test_readers/test_xls/
• THEN 存在 test_consistency.py 测试所有 XLS Readers 解析结果一致性

Scenario: ppt 有一致性测试

• WHEN 查看 tests/test_readers/test_ppt/
• THEN 存在 test_consistency.py 测试所有 PPT Readers 解析结果一致性

Scenario: doc 各解析器独立测试

• WHEN 查看 tests/test_readers/test_doc/
• THEN 每个解析器有独立测试文件（如 test_markitdown_doc.py、test_pypandoc_doc.py）

Scenario: xls 各解析器独立测试

• WHEN 查看 tests/test_readers/test_xls/
• THEN 每个解析器有独立测试文件（如 test_markitdown_xls.py、test_unstructured_xls.py、test_pandas_xls.py）

Scenario: ppt 各解析器独立测试

• WHEN 查看 tests/test_readers/test_ppt/
• THEN 每个解析器有独立测试文件（如 test_markitdown_ppt.py）

Requirement: 旧格式测试使用静态文件

旧格式文档测试 MUST 使用静态测试文件，而非尝试自动化创建。

Scenario: doc 测试使用静态文件

• WHEN 运行 doc 相关测试
• THEN 测试从 tests/test_readers/fixtures/doc/ 读取静态文件

Scenario: xls 测试使用静态文件

• WHEN 运行 xls 相关测试
• THEN 测试从 tests/test_readers/fixtures/xls/ 读取静态文件

Scenario: ppt 测试使用静态文件

• WHEN 运行 ppt 相关测试
• THEN 测试从 tests/test_readers/fixtures/ppt/ 读取静态文件

Requirement: 静态文件缺失时优雅跳过

当静态测试文件不存在时，测试 MUST 优雅跳过，而非失败。

Scenario: doc 静态文件不存在时跳过

• WHEN simple.doc 不存在
• THEN 相关测试使用 pytest.skip() 跳过

Scenario: xls 静态文件不存在时跳过

• WHEN simple.xls 不存在
• THEN 相关测试使用 pytest.skip() 跳过

Scenario: ppt 静态文件不存在时跳过

• WHEN simple.ppt 不存在
• THEN 相关测试使用 pytest.skip() 跳过