feat(docreader): 上传 HTML 只索引正文，与 URL 导入路径对齐（开关，默认关）

[linus-liu-web]

问题：同一个 docreader 里，「上传 HTML」和「URL 导入」两条路径行为不一致

• URL 导入（docreader/parser/web_parser.py）：Playwright 抓取 → trafilatura.extract() 抽正文 → 抽取为空时回退可见文本；
• 上传 HTML 文件（docreader/parser/html_parser.py）：MHTMLParser.html_to_markdown() 整页转换 → 导航栏、侧栏、页脚、搜索框、Cookie 提示全部进入索引，检索时被当正文召回。

docreader 本来就依赖 trafilatura（pyproject.toml / uv.lock 钉 2.0.0），URL 路径一直在用，只是文件路径没用上。

改动

新增 DOCREADER_HTML_MAIN_CONTENT（DocReaderConfig，默认 false），沿用仓库既有开关模式（与 DOCREADER_ODL_MARKDOWN_WITH_HTML 同形）：

• 关闭（默认）：完全走原路径，索引输出与现在逐字节相同
• 开启：用 trafilatura 抽正文，不满足阈值时回退整页转换

_MIN_EXTRACTED_CHARS = 250   # 抽取结果短于此视为失败
_MIN_KEEP_RATIO = 0.15       # 且至少要有全量转换的这个比例

回退策略（两层）：表单页/纯列表页/短公告没有明确主体 → 抽取结果过短 → 回退整页转换；长页只抽到一小段 → 不足全量转换的 15% → 回退整页转换。回退即完整保留旧行为，不丢内容。

为什么下限取 250：trafilatura 在自己的 MIN_EXTRACTED_SIZE（250）以下会退化成纯文本渲染，那会丢掉标题层级、表格和链接目标 —— 落在两个阈值之间的页面就不是"少掉 chrome"而是"丢掉结构"。把下限卡在 trafilatura 自己的地板上，让整页转换在那一段接管。（实测：仓库自带的 docreader/testdata/test.html 抽取只有 151 字符，取 120 时会丢表格和全部 <h2>；取 250 时回退整页转换、结构完整。）

为什么是开关，而不是"两条路径共用一个函数"：

• URL 路径的失败回退依赖 Playwright 的可见文本，上传路径没有浏览器，它天然的回退是已有的整页转换 —— 一个共享函数无法同时服务两种回退；
• URL 路径的 extract_markdown_from_html() 用 with_metadata=True, include_images=True：元数据头（title:/url:/date:）会被当正文索引，而本地上传文件没有 URL；上传路径一直 extract_images=False（图片交给 Go 侧 image_resolver.go）。直接复用会改变上传路径的语义；
• 这个开关会改变所有上传 HTML 的索引内容、分块与检索结果。仓库对这类改动的既有原则是"默认关"（见 internal/types/knowledgebase.go 的 ImageAttrsEnabled 注释），docreader 侧的同形实现就是 DOCREADER_* 环境变量。

真正该共用的是策略（抽正文 + 失败回退），不是函数。

测试

docreader/tests/test_html_parser.py（新增 HTMLMainContentTest，6 例）+ test_config.py（3 例），夹具 docreader/testdata/html_main_content/*.html。

• 默认关：整页转换，页脚/导航仍在索引里（回归用例，改前也绿）
• 开启：导航/侧栏/页脚文字不进索引，正文（含表格与正文内链接）完整保留
• 无明确主体的页面：输出与整页转换逐字节相同
• 长页只抽到一小段：比例阈值触发回退，输出与整页转换逐字节相同
• 一句话公告不被吃掉；空 HTML 仍是空文档

逐字节一致性：把 origin/main 的解析器与改后默认解析器分别跑 20 个构造 HTML（空/纯脚本/表格/实体/BOM/UTF-16/windows-1252/畸形/深嵌套/大导航/长文…）+ 全部仓库夹具，SHA-256 全等；完整测试套件 296 → 305 例，失败面不变。

改前 (pristine): 上传一路索引整页 → AssertionError: page chrome reached the index: '产品定价'
改后 (开关开启): 导航/侧栏/页脚不在索引里，正文完整

已知限制（本 PR 不处理，欢迎维护者定夺）

1. trafilatura 2.0.0 对"短文章页"（<h1> + 单个约 250–400 字段落）会把正文输出两遍（fast / no_fallback / favor_precision / deduplicate 均无效），开启后这类页面会索引重复正文，且虚高的长度可能绕过比例阈值；
2. 为与上传路径既有行为一致，抽取用 include_images=False（URL 路径是 True），开启后正文内的图片引用不进 Markdown（远程图片仍由 Go 侧解析）。

兼容性

默认关闭 → 升级后索引内容不变。开启方式：DOCREADER_HTML_MAIN_CONTENT=true（已加入 docker-compose.yml / .env.example / docreader/README.md / website-docs）。后续如需 per-upload override，可按 pdf_force_scanned / odl_markdown_with_html 的先例加 parser_engine_overrides（本 PR 不含）。

[linus-liu-web]

关于合并顺序（和兄弟 PR #4423 的关系）：

本 PR 与 #4423（Excel 百分比）都改 docker-compose.yml 和 .env.example，都只是各加一行 DOCREADER_* 透传；另外两边都动了 website-docs 下的文档（#4423 改 03-document-parsing.md，本 PR 也改它 + 04-configuration.md）。

建议顺序：#4423 → #4424，冲突只是相邻行。

[lyingbug]

已复核此前评审结论及最新提交，相关 CI 检查全部通过，同意合入。

[lyingbug]

已复核与最新 main 的合并：冲突仅为 .env.example 和 docker-compose.yml 中相邻配置项，已完整保留 HTML 正文抽取与 XLSX 百分比开关。Compose 配置校验及 65 项相关 Python 回归测试通过，等待本次提交的 CI 完成后合入。