Doku: Testdauer, erprobte Gedichtbände, CLAUDE.md (OCR-Weg, pymupdf4llm 1.28, Output/)

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

CLAUDE.md

@@ -5,25 +5,33 @@ Aktuelles Programm: `pdf2md.py` (Einzeldatei; Name bleibt fest, keine Versionsnu
 
 ## Befehle
 
-- Tests: `python3 -m pytest` (Fixtures werden synthetisch erzeugt; OCR braucht `tesseract-ocr-deu`)
+- Tests: `python3 -m pytest` (ca. 80 s; Fixtures werden synthetisch erzeugt; OCR braucht `tesseract-ocr-deu`)
 - Lint: `python3 -m ruff check pdf2md.py tests/`
 - Echttest: `python3 pdf2md.py --epub Operation_Ljutsch_Band_1_-_Reinhard_Otto_Kranz.pdf <scratch>/band1.md`
 
 ## Konventionen
 
 - Hilfetexte, Meldungen, Kommentare und Docstrings auf Deutsch (wie v4); Bezeichner Englisch.
-- Echttests nie nach `Fertig/` schreiben (dort liegen die Ergebnisse des Nutzers).
+- Echttests ins Scratchpad schreiben, nicht nach `Output/` oder `Fertig/` (dort liegen die
+  Ergebnisse des Nutzers); Probeergebnisse zum Ansehen nur auf Wunsch nach `Output/Probe/`.
 - PDFs/EPUBs/Bilder sind per `.gitignore` ausgeschlossen – keine Binärdateien committen.
 - `pdf2md.py` patcht drei Funktionen in `pymupdf4llm.helpers.document_layout`
   (`get_styled_text`, `text_to_md`, `create_list_item_levels` – letztere nur, um pro Seite
   die Zeilengeometrie zu merken). Nach einem pymupdf4llm-Update prüfen, ob
   `tests/test_normalize.py::test_pymupdf4llm_patch_keeps_compound_hyphen` und
   `tests/test_verbatim.py` noch grün sind.
+- Mit pymupdf4llm 1.28.2 getestet (Bildtext-Format `<!-- Start of picture text -->`, OCR-Text
+  wird über unsichtbaren Text erkannt, nicht über `full_ocred`).
+- OCR (`convert_pages`, Lauf `RUN_OCR`): vorhandene unsichtbare Textebenen werden vorher in einer
+  Kopie entfernt (`drop_invisible_text`), sonst behält pymupdf4llm fremde OCR-Ebenen.
+  Mit `--keep-lines` werden Scanseiten an pymupdf4llm vorbei direkt aus Tesseract gelesen
+  (`ocr_lines_md`); Gedichttitel kommen dort aus der PDF-Gliederung.
 - Zwischen dem Patch (`lines_to_md`) und `normalize_markdown` laufen interne Markierungen
   aus dem Private-Use-Bereich (`HARD_BREAK`, `BLOCK_END`, `PARAGRAPH_END`, `STANZA_BREAK`,
   U+E002–U+E005); sie dürfen nie in der Ausgabe landen.
 - Ausgabe-Markdown beginnt mit einem YAML-Kopf, den `make_frontmatter`/`split_frontmatter`
   selbst schreiben und lesen; pandoc bekommt nur den Text (`markdown-yaml_metadata_block`),
   weil `---`-Zeilen im Buchtext sonst als YAML gelesen würden.
-- Regressionsprüfung bei Änderungen am Umbruch: Band 1/2 vorher/nachher diffen; Fließtext
-  darf sich nur an echten Absatz- oder Zeilenwechseln der PDF ändern.
+- Regressionsprüfung bei Änderungen am Umbruch: Probekorpus (Band 1/2, Zensur-Report, Markdown
+  Guide, Register, Rust-Kochbuch, Kempis-Scan) gegen den letzten Commit diffen; Fließtext darf
+  sich nur an echten Absatz- oder Zeilenwechseln der PDF ändern.

README.md

@@ -6,8 +6,9 @@ für **digitale** PDFs (Textebene vorhanden) ebenso wie für **gescannte** PDFs
 per OCR) und für Scans, die bereits eine OCR-Ebene haben (z. B. von `ocrmypdf`).
 
 Entwickelt an *Operation Ljutsch* (Band 1 und 2), außerdem erprobt an einem deutschen
-Sachbuch, einem englischen Handbuch, einem Mathematikbuch, einem Bericht mit Fußnoten und
-einem englischen Scan von 1893 (Ergebnisse siehe [Grenzen](#grenzen)).
+Sachbuch, einem englischen Handbuch, einem Mathematikbuch, einem Bericht mit Fußnoten, einem
+englischen Scan von 1893 und zwei gescannten Gedichtbänden (Rilke in Antiqua, Löwenberg 1895
+in Fraktur; Ergebnisse siehe [Grenzen](#grenzen)).
 
 ## Installation (Ubuntu 24.04)
 
@@ -115,7 +116,7 @@ python3 pdf2md.py --epub --ocr-language eng --ocr always scan.pdf scan.md   # EP
 ## Tests
 
 ```bash
-python3 -m pytest            # ca. 45 s; OCR-/EPUB-Tests werden ohne Tesseract/pandoc übersprungen
+python3 -m pytest            # ca. 80 s; OCR-/EPUB-Tests werden ohne Tesseract/pandoc übersprungen
 ```
 
 Die Test-PDFs (digital, gescannt, mit OCR-Ebene, gemischt, Fotoseite) werden zur Laufzeit