解析管线常见陷阱（实验语料）

Excel WPS 嵌入图片（case-1785）

WPS 将嵌入图片存为单元格 纯文本 DISPIMG("ID_xxx",1)，不是 Excel 公式。openpyxl data_only=True 只对公式生效，无法过滤此类噪声。

修复原则：在 docreader/parser/excel_parser.py 遍历 cell 时最早阶段正则过滤 IMAGE 函数变体，并写参数化 pytest。

HTML 表格与分块（case-1725）

PaddleOCR-VL 输出带 style="text-align:..." 的 HTML <table>。WeKnora chunker 的 protectedPatterns 只识别 Markdown 管道表 |...|，不识别 HTML table。

后果：

• Token 被样式属性浪费（同内容 HTML token 约为 Markdown 2–3 倍）
• 表超 ChunkSize 时被从中间切断，检索召回残缺片段

修复原则：在 internal/infrastructure/docparser/ 将简单 HTML 表转为 Markdown；复杂 rowspan 表至少剥离 style，并让 chunker 识别 <table> 边界。