Doku: --formulas für Mathebücher, MathML im EPUB

README und BEDIENUNGSANLEITUNG: Option --formulas (pix2text, jede Formel auf der Seite,
Liste für formula_img2latex), pix2text als optionale Abhängigkeit, Formeln im EPUB als
MathML, Grenze und häufiges Problem "Formeln als Bilder/Zeichensalat" aktualisiert.

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

BEDIENUNGSANLEITUNG.md

@@ -28,6 +28,8 @@ pip install -r requirements.txt
 
 - `tesseract-ocr` + `tesseract-ocr-deu` braucht man nur für gescannte PDFs.
 - `pandoc` braucht man nur für das EPUB.
+- `pix2text` braucht man nur für `--formulas` (Mathebücher, siehe Abschnitt 6):
+  `pip install "pix2text[multilingual]"`.
 
 Prüfen, ob alles da ist:
 
@@ -308,7 +310,8 @@ Kolumnentitel und Seitenzahlen gedruckter Bücher werden automatisch entfernt, g
 | `--images` | Bilder in `<name>_images/` speichern und im Markdown verlinken |
 | `--image-format jpg\|png` | Bildformat (Standard `jpg`; `png` verlustfrei, aber ca. 3× größer) |
 | `--jpeg-quality 1-100` | JPEG-Qualität (Standard 85; 95 fast verlustfrei, Bilder ca. 1,7× größer) |
-| `--epub` | zusätzlich EPUB erzeugen (schaltet `--images` ein) |
+| `--epub` | zusätzlich EPUB erzeugen (schaltet `--images` ein); Formeln `$…$`/`$$…$$` werden MathML |
+| `--formulas` | Mathebücher: jede Formel auf der Seite finden, auch im Fließtext und in Merkkästen, und als Bild ausschneiden; Liste `formulas-*.json` für formula_img2latex (schaltet `--images` ein, braucht pix2text) |
 | `--epub-file PFAD` | anderer Pfad für das EPUB |
 | `--split teile\|kapitel\|seiten` | Teile, Kapitel oder Seitenbereiche als Einzeldateien (Abschnitt 4) |
 | `--pages-per-file N`, `--page-ranges BEREICHE` | Seiten je Datei bzw. feste Bereiche für `--split seiten` |
@@ -356,7 +359,7 @@ Kolumnentitel und Seitenzahlen gedruckter Bücher werden automatisch entfernt, g
 | Link führt ins Leere oder ist abgeschnitten | URL in der PDF nachsehen und in `<…>` korrigieren; manche PDFs enthalten selbst abgeschnittene Linkziele |
 | Register, Verse oder Code zu einem Absatz verklebt | Zeilen in Weg B mit `\` am Ende trennen bzw. Code in ```` ``` ```` einschließen; das Programm erkennt nur Umbrüche, bei denen das nächste Wort noch in die Zeile gepasst hätte |
 | Fließtext zerfällt in einzelne Zeilen mit `\` | in Weg B die `\` am Zeilenende entfernen |
-| Formeln erscheinen als Bilder | bei Mathebüchern normal; dafür ist das Programm nicht gebaut |
+| Formeln erscheinen als Bilder oder als Zeichensalat (`x4n`) | `--formulas` verwenden und die Formeln danach mit formula_img2latex in LaTeX übersetzen; anschließend `--from-md` baut das EPUB mit MathML |
 | Alter Scan: falsche Überschriften, viele Lesefehler | `--ocr always` (vorhandene OCR-Ebene ignorieren) |
 | Gedicht wird zu Fließtext (Verse zusammengefügt) | `--keep-lines` |
 | Auf Scans fehlen Leerzeichen („deutetin“) | OCR-Fehler; höhere Auflösung versuchen (`--ocr-dpi 400`) oder von Hand korrigieren |

README.md

@@ -17,7 +17,8 @@ sudo apt install tesseract-ocr tesseract-ocr-deu pandoc
 pip install -r requirements.txt     # pymupdf4llm, pymupdf-layout, pytest
 ```
 
-`tesseract-ocr` wird nur für Scans gebraucht, `pandoc` nur für `--epub`. Für Fraktur-Scans das
+`tesseract-ocr` wird nur für Scans gebraucht, `pandoc` nur für `--epub`, `pix2text` nur für
+`--formulas` (`pip install "pix2text[multilingual]"`, siehe formula_img2latex). Für Fraktur-Scans das
 Modell `deu_latf` aus [tessdata_best](https://github.com/tesseract-ocr/tessdata_best) nach
 `/usr/share/tesseract-ocr/5/tessdata/` laden und `--ocr-language deu_latf` angeben (besser als
 das Ubuntu-Paket `tesseract-ocr-frk`).
@@ -64,7 +65,8 @@ python3 pdf2md.py --epub --ocr-language eng --ocr always scan.pdf scan.md   # EP
 | `--images` | Grafiken in `<name>_images/` speichern und verlinken |
 | `--image-format jpg\|png` | Bildformat (Standard jpg; png verlustfrei, aber ca. 3× größer) |
 | `--jpeg-quality 1-100` | JPEG-Qualität (Standard 85; 95 fast verlustfrei, Bilder ca. 1,7× größer) |
-| `--epub`, `--epub-file PFAD` | EPUB 3 mit pandoc erzeugen (schaltet `--images` ein) |
+| `--epub`, `--epub-file PFAD` | EPUB 3 mit pandoc erzeugen (schaltet `--images` ein); `$…$`/`$$…$$` werden MathML |
+| `--formulas` | Mathebücher: jede Formel auf der Seite finden (pix2text, auch im Fließtext und in Merkkästen), zeichengenau aus dem Text schneiden und als Bild `<pdf>-<seite>-f<nr>.png` speichern, Liste in `<name>_images/formulas-*.json`; für [formula_img2latex](https://kitux.de/forgejo/dschlueter/formula_img2latex), das sie in LaTeX übersetzt (schaltet `--images` ein) |
 | `--split teile\|kapitel\|seiten` | Teile, Kapitel oder PDF-Seitenbereiche als Einzeldateien in einem Ordner `<name>/` mit `index.md` (Reihenfolge) und `images/`; Anhang/Autor/Impressum nach dem letzten Kapitel als „Nachspann“ |
 | `--pages-per-file N` | mit `--split seiten`: etwa N PDF-Seiten je Datei (Standard 20), Schnitt an Absatzgrenzen, bevorzugt an einer Überschrift bis zu einer Seite neben der Grenze |
 | `--page-ranges 1-12,13-40,41-` | mit `--split seiten`: feste Seitenbereiche (streng, ohne Ausrichten); Seiten außerhalb werden eigene Dateien |
@@ -155,8 +157,11 @@ synthetisch erzeugt.
 - Gedicht-Scans ohne `--keep-lines`: Die Layout-Analyse von pymupdf4llm kann eng stehende Verse
   verschränken („UndDon tauchteweißen …“) – mit `--keep-lines` werden Scans direkt aus
   Tesseract gelesen.
-- **Mathematische Formeln** werden als Bilder übernommen; für Mathebücher ist ein anderes
-  Werkzeug besser geeignet (z. B. Marker, Nougat).
+- **Mathematische Formeln** werden ohne `--formulas` als Bilder übernommen (abgesetzte Formeln) bzw. als
+  Glyphensalat im Fließtext (`x4n` statt x⁴ⁿ). Mit `--formulas` wird jede Formel ein eigenes Bild, das
+  formula_img2latex in LaTeX übersetzt (Corral, *Elementary Calculus*: 9239 Formeln, Stichprobe 79 %
+  automatisch). Formeln in Tabellen erfasst die Erkennung noch nicht; „Formel“-Boxen mit viel Text werden
+  zu Text, solche mit Kurven bleiben Grafik.
 - **Was am PDF liegt, bleibt:** fehlende Ligaturen ohne Textzuordnung („Offzielle“),
   gesperrt gesetzte Überschriften („M e i n k l e i nes …“), flache PDF-Gliederungen
   (alle Kapitel auf einer Ebene).