2026-10-02 01:32:53 +02:00
|
|
|
|
# TODO
|
|
|
|
|
|
|
2026-10-02 19:03:51 +02:00
|
|
|
|
## Bekannte Schwächen (aus Probeläufen mit fremden PDFs)
|
2026-10-02 14:24:58 +02:00
|
|
|
|
|
|
|
|
|
|
- Reine Zahlen als Überschrift: pymupdf4llm macht Fußnotenzeichen zu Überschriften
|
|
|
|
|
|
(„## 90“ im Zensur-Report). Nicht pauschal entfernen – im DDR-Buch sind „## 1“, „## 2“
|
|
|
|
|
|
echte Kapitelnummern. Möglicher Ansatz: Zahl-Überschrift nur behalten, wenn direkt eine
|
|
|
|
|
|
Überschrift folgt.
|
|
|
|
|
|
- Römische Seitenzahlen („## XX“, „## XXIV“) werden nicht als Seitenzahl erkannt; Vorsicht
|
|
|
|
|
|
wegen echter Kapitel „I.“, „II.“.
|
|
|
|
|
|
- Gesperrte Überschriften („M e i n k l e i nes Stück D D R“) bleiben zerrissen.
|
|
|
|
|
|
- Alte Scans mit eigener OCR-Ebene: `--ocr always` liefert meist besseren Text.
|
Markdown-Sonderzeichen maskieren, Verszeilen mit Satzende erhalten
- md_escape im Span-Patch: \ ` * [ ] < > $ ~ ^ und "_" an Wortgrenzen
werden maskiert (__add__ nicht mehr fett, <p> nicht mehr HTML); Code
bleibt wörtlich
- Folgeschritte maskierungsfest: norm_title, clean_inline, link_urls
(Positionstabelle inkl. Backslash), link_anchors, --split-Titel
- Kurze Zeile mit Satzende ist nur bei eingerückter Folgezeile ein
Absatzende, sonst eine Verszeile; Einrückung gegen den Spaltenrand der
Seite gemessen (trennt auch verklebte einzeilige Dialogabsätze)
- Tests, README, Bedienungsanleitung, TODO
Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-02 19:28:56 +02:00
|
|
|
|
- Zeilengetreu: Ein Gedicht, das genauso eingerückt ist wie Absatzanfänge (Band 2, „Blinde
|
|
|
|
|
|
Flecken“: alle Verse bei x = 94 wie Absatzanfänge), ist geometrisch nicht von mehreren
|
|
|
|
|
|
einzeiligen Dialogabsätzen zu unterscheiden; Verszeilen mit Satzende werden dort Absätze.
|
|
|
|
|
|
- Codefragmente ohne Code-Merkmale (`[dependencies]`, Programmausgaben) landen als
|
|
|
|
|
|
`\`-Zeilen neben dem Codeblock statt darin.
|
2026-10-02 15:07:47 +02:00
|
|
|
|
- Links: Setzt sich eine URL in einem neuen Block fort (z. B. als Listenpunkt „- juuuport-…“),
|
2026-10-02 19:03:51 +02:00
|
|
|
|
bleibt sie abgeschnitten. Die Heuristik ohne Linkziel hängt Wörter mit „/“ an
|
|
|
|
|
|
(„https://a.de/ und/oder“ → eine URL). Linktexte mit Trennung mitten in langen Titeln
|
|
|
|
|
|
werden nicht wiedergefunden.
|
