docs: 更新文档记录多格式支持特性

CLAUDE.md

@@ -31,12 +31,19 @@ uv run python scripts/ingest_obsidian.py
 ## 架构
 
 ```
-core/                         # 核心逻辑（不依赖 server/cli）
+├── core/                         # 核心逻辑（不依赖 server/cli）
-├── config.py                 # YAML → dataclass, load_dotenv() 加载 .env
+│   ├── config.py                 # YAML → dataclass, load_dotenv() 加载 .env
-├── db.py                     # VectorDB: 线程安全的 ChromaDB 封装
+│   ├── db.py                     # VectorDB: 线程安全的 ChromaDB 封装
-├── embedder.py               # 策略模式: LocalEmbedder / OpenAIEmbedder / DashscopeEmbedder
+│   ├── embedder.py               # 策略模式: LocalEmbedder / OpenAIEmbedder / DashscopeEmbedder
-├── ingest.py                 # MarkdownSplitter(混合分块) + DocumentIngestor(分批嵌入)
+│   ├── ingest.py                 # DocumentIngestor: 按扩展名自动选择 Splitter
-└── search.py                 # Searcher: 语义检索 + 源文件管理
+│   ├── search.py                 # Searcher: 语义检索 + 源文件管理
+│   └── splitters/                # 文档分块器包
+│       ├── base.py               # Splitter(Protocol) + BaseTextSplitter(ABC)
+│       ├── markdown.py           # MarkdownSplitter: 标题+段落混合分块
+│       ├── text.py               # TextSplitter: 纯文本段落切分
+│       ├── pdf.py                # PDFSplitter: pymupdf 提取文字
+│       ├── html.py               # HTMLSplitter: bs4 去标签
+│       └── registry.py           # 扩展名 → Splitter 自动选择
 
 server/                       # FastAPI HTTP 层
 ├── app.py                    # Depends(get_state) 依赖注入, 速率限制中间件
@@ -46,7 +53,9 @@ server/                       # FastAPI HTTP 层
 cli/main.py                   # Typer CLI，5 个命令 + --config 选项
 ```
 
-**数据流**: MD 文件 → `MarkdownSplitter.split()` → `batch_embed()` → `ChromaDB collection.add()` → `Searcher.search()`
+**数据流**: 文件 → `get_splitter(path)` 自动选择 → `Splitter.split()` → `batch_embed()` → `ChromaDB collection.add()` → `Searcher.search()`
+
+**支持的格式**: `.md` / `.txt` / `.pdf` / `.html` — 安装可选依赖: `uv sync --extra all`
 
 **依赖方向**: `config` ← `db` ← `embedder` ← `ingest`/`search` ← `server`/`cli`
 
@@ -111,10 +120,18 @@ cli/main.py                   # Typer CLI，5 个命令 + --config 选项
 
 | 集合名 | 来源 | 文件数 | chunks | 说明 |
 |--------|------|--------|--------|------|
+| `novel_taohou` | `D:\Code\doing_exercises\exercise\Novel\我有太后罩着，你们有什么\原有章节剧情` | 220 | 670 | 小说章节（GPU bge-small-v1.5） |
 | `obsidian_blog` | `D:\Code\Obsidian` | 51 | 3,611 | 博客笔记（GPU bge-small-v1.5） |
 | `default` | 测试文件 | 2 | ~30 | test-guide.md + stdin-doc.md |
 
-搜索时务必用 `-C obsidian_blog` 指定博客集合，否则只会搜到 default 中的测试数据。
+搜索时务必用 `-C` 指定集合，否则只会搜到 default 中的测试数据。
+
+**小说搜索示例**：
+```bash
+uv run md-vector-db search "张莽和孙太后的关系" -k 3 -C novel_taohou
+uv run md-vector-db search "抄家事件" -k 5 -C novel_taohou
+uv run md-vector-db search "文谦变法" -k 3 -C novel_taohou
+```
 
 ## 已知问题 / 注意事项
 

README.md

@@ -11,6 +11,7 @@ Markdown 文档向量数据库 — 将 Markdown 文件自动分块、嵌入、
 - **多集合**: 支持多项目数据隔离，不同知识库存入不同 ChromaDB collection
 - **HTTP API**: FastAPI 提供 RESTful 接口，附带 Swagger 文档
 - **安全**: 可选 API Key 认证、速率限制、路径遍历防护
+- **多格式文档**: 支持 `.md` / `.txt` / `.pdf` / `.html`，按扩展名自动选择分块器，可通过 `Splitter` Protocol 扩展
 - **去重**: 同一文件重复入库自动覆盖旧版本（基于路径 SHA256 哈希）
 
 ## 快速开始
@@ -21,6 +22,9 @@ Markdown 文档向量数据库 — 将 Markdown 文件自动分块、嵌入、
 git clone git@lhy-git.liuhangyv.top:Serendipity/md-vector-db.git
 cd md-vector-db
 uv sync
+
+# 安装 PDF + HTML 支持（可选）
+uv sync --extra all
 ```
 
 ### 2. 配置