chore: alte Pandoc-Hilfsskripte entfernen

convert_epub2md.sh und split-md-chapters.py sind durch epub2md.py ersetzt.
Überflüssige .gitignore-Einträge (buch.*, medien/) entfernt.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

.gitignore

@@ -18,12 +18,8 @@ dist/
 .qa-fixtures/
 .qa-reports/
 
-# Urheberrechtlich geschützte Beispiel-Bücher und Konvertierungsausgaben
+# Urheberrechtlich geschützte Beispiel-Bücher
 Beispiele/
-buch.epub
-buch.md
-buch-md/
-medien/
 
 # Editor/OS
 .idea/

README.md

@@ -78,6 +78,7 @@ python3 epub2md.py buch.epub output/buch --force --report berichte/buch.json
 | `--math {auto,tex,mathml,image}` | `auto` | siehe [Mathematik](#math-modi) |
 | `--images {relative,flat,original-path}` | `relative` | `relative`: `media/images/0001-name.ext`; `flat`: `media/name.ext`; `original-path`: `media/<Pfad im EPUB>` |
 | `--slug-language {de,en,none}` | `de` | Dateinamen: `de` ä→ae, ß→ss; `en` ä→a, ß→ss; `none` Unicode bleibt |
+| `--code-language SPRACHE` | – | Sprachlabel für Codeblöcke ohne erkannte Sprache (z. B. `python`, `c`; Aliase wie `py` erlaubt). Erkannte Labels haben Vorrang; im Bericht `detected_by: "option"` |
 | `--keep-html` | aus | Unbekannte/nicht sicher konvertierbare Elemente als bereinigtes HTML erhalten (sonst: Text übernommen + Eintrag in `diagnostics/unsupported-elements.md`) |
 | `--strict` | aus | Abbruch bei kritischen Fehlern (fehlende/unlesbare Spine-Dokumente, unsichere ZIP-Pfade, ungültige Spine-Verweise) |
 | `--force` | aus | Bestehendes Ausgabeverzeichnis ersetzen – siehe [Sicherheit](#sicherheit-und-fehlerbehandlung) |
@@ -150,6 +151,8 @@ Literaturlisten mit eigenen Labels (`[BryL06]`) werden nicht doppelt nummeriert.
 
 **Tipp:** Hat ein Buch Teile als `h1` und Kapitel als `h2` (typisch bei Romanen), erzeugt
 `--chapter-level 2` eine Datei pro Kapitel. Mit dem Standard `1` entsteht eine Datei pro Teil.
+Ist eine Kapiteldatei größer als 30 000 Wörter und hat sie mindestens zwei `##`-Unterabschnitte, meldet
+epub2md eine Warnung `chapter-large` mit der passenden `--chapter-level`-Empfehlung.
 
 ## Math-Modi
 
@@ -198,7 +201,9 @@ weil CommonMark keine `[^…]`-Syntax kennt.
 - **Syntax-Highlighting:** Farb-Spans, `<strong>`/`<em>` in Listings und Zeilennummern werden entfernt.
   Einrückung, Tabs, `<`, `>`, `&`, `$`, `|`, Backslashes und Backticks bleiben exakt erhalten. Die Sprache
   kommt aus Klassen/Attributen (`language-python`, `data-lang`, …) oder starken Inhaltssignalen
-  (`#include`, `def …:`, Shebang, …). Ist sie unsicher, bleibt das Label leer.
+  (`#include`, `def …:`, Shebang, …). Ist sie unsicher, bleibt das Label leer. Bei einsprachigen
+  Büchern kann `--code-language python` (o. Ä.) alle übrigen Blöcke kennzeichnen.  Achtung: Das betrifft
+  auch Programmausgaben und Shell-Befehle im Buch.
 - **Gescannte Texte:** nur Bilder, kein Text (keine OCR).
 - **DRM:** wird erkannt und abgelehnt.
 - **Register:** Buchstabengruppen werden zu `##`-Überschriften, Untereinträge erhalten `– `. Interne

convert_epub2md.sh

@@ -1,11 +0,0 @@
-#!/usr/bin/env bash
-
-pandoc buch.epub \
-  --from=epub \
-  --to=markdown+fenced_code_blocks+backtick_code_blocks+tex_math_dollars+footnotes+pipe_tables \
-  --wrap=none \
-  --extract-media=medien \
-  --output=buch.md
-
-./split-md-chapters.py buch.md buch-md
-

epub2md/cli.py

@@ -9,6 +9,7 @@ from pathlib import Path
 from typing import NoReturn
 
 from . import __version__
+from .codeblocks import LANG_ALIASES
 from .errors import EXIT_INPUT, EXIT_INTERNAL, Epub2MdError
 from .pipeline import Options, convert, print_summary
 
@@ -37,6 +38,14 @@ class _Parser(argparse.ArgumentParser):
         sys.exit(EXIT_INPUT)
 
 
+def code_language(value: str) -> str:
+    lang = LANG_ALIASES.get(value.strip().lower())
+    if lang is None:
+        known = ", ".join(sorted(set(LANG_ALIASES.values())))
+        raise argparse.ArgumentTypeError(f"unbekannte Sprache {value!r} (bekannt: {known})")
+    return lang
+
+
 def build_parser() -> argparse.ArgumentParser:
     p = _Parser(
         prog="epub2md.py",
@@ -70,6 +79,9 @@ def build_parser() -> argparse.ArgumentParser:
                    help="Dateinamen-Regeln: de (ä→ae), en (ä→a), none (Unicode behalten) (Standard: de)")
     p.add_argument("--keep-html", action="store_true",
                    help="Nicht zuverlässig konvertierbare Elemente als bereinigtes HTML erhalten")
+    p.add_argument("--code-language", type=code_language, default=None, metavar="SPRACHE",
+                   help="Sprachlabel für Codeblöcke ohne erkannte Sprache, z. B. python oder c "
+                        "(erkannte Labels haben Vorrang; Standard: kein Label)")
     p.add_argument("--strict", action="store_true",
                    help="Bei kritischen Fehlern (fehlende Spine-Dateien, unsichere Pfade, kaputtes XHTML) abbrechen")
     p.add_argument("--force", action="store_true",
@@ -101,6 +113,7 @@ def main(argv: list[str] | None = None) -> int:
         images=args.images,
         slug_language=args.slug_language,
         keep_html=args.keep_html,
+        code_language=args.code_language or "",
         strict=args.strict,
         verbose=args.verbose,
         dry_run=args.dry_run,

epub2md/html_converter.py

@@ -89,6 +89,7 @@ class RenderOptions:
     extract_media: bool = True
     keep_html: bool = False
     language: str = "de"
+    code_language: str = ""  # --code-language: label for blocks without a detected language
 
 
 def md_escape(text: str, table: bool = False) -> str:
@@ -421,6 +422,8 @@ class Renderer:
         if not lang:
             lang = detect_language_from_content(code)
             how = "content" if lang else ""
+        if not lang and self.opt.code_language:
+            lang, how = self.opt.code_language, "option"
         if self.ch:
             self.ch.stats.code_blocks += 1
             if not lang:

epub2md/pipeline.py

@@ -4,6 +4,7 @@ from __future__ import annotations
 
 import os
 import posixpath
+import re
 import shutil
 import sys
 import tempfile
@@ -28,6 +29,7 @@ from .utils import is_inside, iter_elements, sha256_file, slugify
 from . import writer
 
 MARKER_FILES = ("conversion-report.json", "manifest.json")
+LARGE_CHAPTER_WORDS = 30000  # above this a deeper --chapter-level is suggested (RAG/readability)
 
 
 @dataclass
@@ -43,6 +45,7 @@ class Options:
     images: str = "relative"
     slug_language: str = "de"
     keep_html: bool = False
+    code_language: str = ""
     strict: bool = False
     verbose: bool = False
     dry_run: bool = False
@@ -178,7 +181,9 @@ def _convert(reader: EpubReader, input_path: Path, output_dir: Path, opts: Optio
         cover_out = media.register(md.cover_path, role="cover", hint="cover").output
     language = (md.language or "de").lower()
     renderer = Renderer(
-        RenderOptions(opts.format, opts.footnotes, opts.math, opts.extract_media, opts.keep_html, language),
+        RenderOptions(format=opts.format, footnotes=opts.footnotes, math=opts.math,
+                      extract_media=opts.extract_media, keep_html=opts.keep_html, language=language,
+                      code_language=opts.code_language),
         resolver, media, notes, diag, set(reader.names),
     )
     width = max(3, len(str(len(chapters) + 1)))
@@ -189,6 +194,7 @@ def _convert(reader: EpubReader, input_path: Path, output_dir: Path, opts: Optio
         diag.step(f"Rendere {ch.filename}")
         ch.markdown = renderer.render_chapter(ch)
         ch.stats.word_count = _word_count(ch.markdown)
+        _check_chapter_size(ch, opts.chapter_level, diag)
     endnotes: Chapter | None = None
     endnotes_md = ""
     if opts.footnotes == "end-of-book" and renderer.book_notes:
@@ -288,9 +294,22 @@ def _assign_filenames(chapters: list[Chapter], slug_language: str) -> None:
         ch.filename = f"chapters/{candidate}.md"
 
 
-def _word_count(markdown: str) -> int:
-    import re
+def _check_chapter_size(ch: Chapter, chapter_level: int, diag: Diagnostics) -> None:
+    """Suggest a deeper --chapter-level for very large chapters with enough sub-headings."""
+    if ch.stats.word_count <= LARGE_CHAPTER_WORDS or chapter_level >= 6:
+        return
+    sections = len(re.findall(r"^## ", ch.markdown, re.M))
+    if sections >= 2:
+        diag.warn(
+            "chapter-large",
+            f"Kapitel „{ch.title}“ hat {ch.stats.word_count} Wörter und {sections} Unterabschnitte; "
+            f"--chapter-level {chapter_level + 1} würde sie als eigene Dateien ausgeben.",
+            ch.docs[0] if ch.docs else "",
+            ch.filename,
+        )
 
+
+def _word_count(markdown: str) -> int:
     text = re.sub(r"^(`{3,}).*?^\1\s*$", " ", markdown, flags=re.M | re.S)
     text = re.sub(r"<[^>]+>|\]\([^)]*\)", " ", text)
     return len(re.findall(r"\w+", text))

split-md-chapters.py

@@ -1,45 +0,0 @@
-#!/usr/bin/env python3
-import re
-import sys
-from pathlib import Path
-
-if len(sys.argv) != 3:
-    raise SystemExit(f"Aufruf: {sys.argv[0]} EINGABE.md AUSGABE_ORDNER")
-
-src = Path(sys.argv[1])
-outdir = Path(sys.argv[2])
-outdir.mkdir(parents=True, exist_ok=True)
-
-text = src.read_text(encoding="utf-8")
-parts = re.split(r"(?m)^(?=#\s+)", text)
-
-def slugify(title: str) -> str:
-    title = title.lower()
-    title = re.sub(r"[^\w\s-]", "", title, flags=re.UNICODE)
-    title = re.sub(r"[\s_-]+", "-", title).strip("-")
-    return title[:80] or "kapitel"
-
-index = []
-chapter_no = 0
-
-for part in parts:
-    if not part.strip():
-        continue
-
-    m = re.match(r"^#\s+(.+?)\s*$", part, re.M)
-    if m:
-        chapter_no += 1
-        title = m.group(1).strip()
-        filename = f"{chapter_no:03d}-{slugify(title)}.md"
-    else:
-        filename = "000-vorspann.md"
-        title = "Vorspann"
-
-    (outdir / filename).write_text(part.rstrip() + "\n", encoding="utf-8")
-    index.append(f"- [{title}]({filename})")
-
-(outdir / "README.md").write_text(
-    "# Inhaltsverzeichnis\n\n" + "\n".join(index) + "\n",
-    encoding="utf-8",
-)
-

tests/test_chapters.py

@@ -122,3 +122,14 @@ def test_glossary_anchor_is_placed_before_bold_term(convert):
             '<dl><dt id="g">API</dt><dd>Schnittstelle.</dd></dl></section>')
     text = convert(Book(docs=[Doc("c.xhtml", body)])).chapter("002")
     assert '<a id="g"></a>**API:** Schnittstelle.' in text
+
+
+def test_large_chapter_with_subheadings_suggests_deeper_chapter_level(convert):
+    words = " ".join(["Wort"] * 11000)
+    body = "<h1>Teil 1</h1>" + "".join(f"<h2>Kapitel {i}</h2><p>{words}</p>" for i in range(3))
+    run = convert(Book(docs=[Doc("t.xhtml", body)]))
+    hints = [w for w in run.report["warnings"] if w["code"] == "chapter-large"]
+    assert len(hints) == 1
+    assert "--chapter-level 2" in hints[0]["message"] and "3 Unterabschnitte" in hints[0]["message"]
+    small = convert(Book(docs=[Doc("t.xhtml", "<h1>Teil</h1><h2>A</h2><p>x</p><h2>B</h2><p>y</p>")]))
+    assert not any(w["code"] == "chapter-large" for w in small.report["warnings"])

tests/test_codeblocks.py

@@ -86,3 +86,18 @@ def test_prose_is_not_forced_into_code(convert):
 def test_unlabeled_code_is_reported(convert):
     run = convert(Book(docs=[Doc("c.xhtml", "<h1>U</h1><pre>foo bar</pre>")]))
     assert run.report["code_blocks"]["languages"] == {"(keine)": 1}
+
+
+def test_code_language_option_fills_only_unlabeled_blocks(convert):
+    body = "<h1>C</h1><pre>x = compute()</pre><pre>#include &lt;stdio.h&gt;\nint main(void) { return 0; }</pre>"
+    run = convert(Book(docs=[Doc("c.xhtml", body)]), "--code-language", "py")
+    langs = [lang for _, lang, _ in fenced_blocks(run.chapter("001"))]
+    assert langs == ["python", "c"]
+    by = {item["language"]: item["detected_by"] for item in run.report["code_blocks"]["items"]}
+    assert by == {"python": "option", "c": "content"}
+
+
+def test_code_language_option_rejects_unknown_values(convert):
+    run = convert(Book(docs=[Doc("c.xhtml", "<h1>C</h1><pre>x</pre>")]), "--code-language", "quatsch")
+    assert run.rc == 1
+    assert "quatsch" in run.stderr