Files

lanyuanxiaoyao 7eab1dcef1 test: 添加全面的测试套件，覆盖所有 Reader 实现

- 测试数量从 83 个增加到 193 个 (+132%)
- 代码覆盖率从 48% 提升到 69% (+44%)
- 为每种文档格式的所有 Reader 实现创建独立测试
- 添加跨 Reader 的一致性验证测试
- 新增 4 个测试规范 (cli-testing, exception-testing, reader-testing, test-fixtures)
- 更新 README 测试统计信息

测试覆盖:
- DOCX: python-docx, markitdown, docling, native-xml, pypandoc, unstructured
- PDF: pypdf, markitdown, docling, docling-ocr, unstructured, unstructured-ocr
- HTML: html2text, markitdown, trafilatura, domscribe
- PPTX: python-pptx, markitdown, docling, native-xml, unstructured
- XLSX: pandas, markitdown, docling, native-xml, unstructured
- CLI: 所有命令行选项和错误处理

所有 193 个测试通过。

2026-03-08 22:20:21 +08:00

4.5 KiB

Raw Blame History

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

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

4.5 KiB Raw Blame History Unescape Escape