Links: URLs über Blockgrenzen, Wortpaare, abweichende Linktexte

- _join_split_urls: URL, die in einem neuen Block (auch als Listenpunkt)
  weitergeht, mit der Fortsetzung verbinden; mit Linkziel per Abgleich,
  ohne nur an typischen Umbruchstellen und bei pfadartiger Fortsetzung
- "und/oder" nach einer URL nicht anhängen; Dateiendung nur nach Punkt
- _fuzzy_anchor: Linktext mit Abweichungen (verlorene Ligatur) über
  Kontext/Anfang und letztes Wort finden (Zensur-Report: 76 von 76)
- tests/test_links.py: Test-PDF mit typischen Varianten
- README, TODO

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

pdf2md.py

@@ -676,6 +676,8 @@ MAX_URL_PARTS = 4  # eine URL kann über so viele Zeilen gebrochen sein
 # Umbruchstelle endet und das Wort wie ein URL-Teil aussieht.
 URL_BREAK_AFTER = "/_-.=&?#"
 URL_CONTINUATION = re.compile(r"^(?:\S*/\S*|(?:html?|php|pdf|aspx?)\W*)$", re.IGNORECASE)
+# "und/oder", "Ein/Aus": nur Buchstaben und ein "/" – ein Wortpaar, kein URL-Pfad.
+WORD_PAIR = re.compile(r"^[^\W\d_]+/[^\W\d_]+$")
 
 
 def url_key(text: str) -> str:
@@ -744,7 +746,14 @@ def _match_printed(tokens: list[str]) -> tuple[str, int]:
     """URL ohne (passendes) Linkziel: aus dem gedruckten Text zusammensetzen."""
     parts = [tokens[0].rstrip()]
     for token in tokens[1:MAX_URL_PARTS]:
-        if parts[-1][-1] in URL_BREAK_AFTER and URL_CONTINUATION.match(token.rstrip()):
+        word = token.strip().rstrip(URL_TRAILING)
+        extension_only = "/" not in word  # "html": nur nach "artikel."
+        if (
+            parts[-1][-1] in URL_BREAK_AFTER
+            and URL_CONTINUATION.match(token.rstrip())
+            and not WORD_PAIR.match(word)
+            and not (extension_only and not parts[-1].endswith("."))
+        ):
             parts.append(token.rstrip())
         else:
             break
@@ -783,13 +792,74 @@ def _link_line(line: str, known: dict[str, str]) -> str:
     return "".join(out)
 
 
+LIST_MARKER = re.compile(r"^\s*(?:[-*+]|\d+[.)])\s+")
+URL_PATH = re.compile(r"^[\w\-./%?=&#~+:]+$")
+
+
+def _url_tail(line: str) -> str | None:
+    """URL am Zeilenende (unmaskiert), sonst None."""
+    plain = _unescape_map(line)[0].rstrip()
+    tokens = plain.split()
+    if not tokens:
+        return None
+    for n in range(len(tokens) - 1, -1, -1):
+        if URL_START.search(tokens[n]):
+            if all(URL_CONTINUATION.match(t) for t in tokens[n + 1:]):
+                return "".join(tokens[n:])
+            return None
+    return None
+
+
+def _join_split_urls(lines: list[str], known: dict[str, str]) -> list[str]:
+    """URL, die in einem neuen Block weitergeht (oft als Listenpunkt "- …"),
+    mit ihrer Fortsetzung verbinden."""
+    i = 0
+    while i < len(lines):
+        tail = _url_tail(lines[i])
+        j = i + 1
+        while j < len(lines) and not lines[j].strip() and j - i <= 2:
+            j += 1
+        if tail is None or j >= len(lines):
+            i += 1
+            continue
+        nxt = lines[j]
+        if HEADING.match(nxt) or FENCE.match(nxt) or IMAGE.match(nxt) or nxt.lstrip().startswith(("|", ">")):
+            i += 1
+            continue
+        rest = LIST_MARKER.sub("", nxt, count=1).lstrip(" \t" + NBSP)
+        first = _unescape_map(rest)[0].split()
+        if not first:
+            i += 1
+            continue
+        piece = first[0].rstrip(URL_TRAILING)
+        joined = url_key(tail.rstrip(URL_TRAILING) + piece)
+        if known:
+            fits = url_key(tail.rstrip(URL_TRAILING)) not in known and any(
+                key.startswith(joined) for key in known
+            )
+        else:
+            fits = (
+                tail.endswith(("-", "/", "_"))
+                and URL_PATH.match(piece) is not None
+                and (piece[:1].islower() or piece[:1].isdigit())
+                and any(c in piece for c in "-/.")
+                and not WORD_PAIR.match(piece)
+            )
+        if not fits:
+            i += 1
+            continue
+        lines[i] = lines[i].rstrip() + rest  # ohne Leerzeichen: dieselbe URL
+        del lines[i + 1:j + 1]
+    return lines
+
+
 def link_urls(markdown: str, uris: list[str] | None = None) -> str:
     """URLs im Fließtext anklickbar machen und mit PDF-Linkzielen reparieren."""
     known: dict[str, str] = {}
     for uri in uris or []:
         for key in uri_keys(uri):
             known.setdefault(key, clean_uri(uri))
-    lines = markdown.split("\n")
+    lines = _join_split_urls(markdown.split("\n"), known)
     in_fence = False
     for i, line in enumerate(lines):
         if FENCE.match(line):
@@ -878,12 +948,41 @@ def link_anchors(markdown: str, anchors: list[tuple[str, list[str], list[str]]])
             )
             if match:
                 start, end = match.span("anchor")
-                markdown = f"{markdown[:start]}[{markdown[start:end]}]({uri}){markdown[end:]}"
-                pos = start
                 break
+        else:
+            span = _fuzzy_anchor(markdown, pos, before, text)
+            if span is None:
+                continue
+            start, end = span
+        markdown = f"{markdown[:start]}[{markdown[start:end]}]({uri}){markdown[end:]}"
+        pos = start
     return markdown
 
 
+def _fuzzy_anchor(
+    markdown: str, pos: int, before: list[str], text: list[str]
+) -> tuple[int, int] | None:
+    """Linktext mit Abweichungen (verlorene Ligatur: "Verifcation") finden:
+    Anfang über Kontext und erste Wörter, Ende über das letzte Wort."""
+    if len(text) < 3 or not (context := _context_pattern(before)):
+        return None
+    head = re.compile(context + CONTEXT_GAP + r"(?P<anchor>" + _words_pattern(text[:2]) + r")")
+    match = next(
+        (m for m in head.finditer(markdown, pos) if not _inside_link(markdown, m.start("anchor"))),
+        None,
+    )
+    if match is None:
+        return None
+    start = match.start("anchor")
+    window = markdown[start:start + int(len(" ".join(text)) * 1.2) + 10]
+    if "\n\n" in window:
+        window = window[:window.index("\n\n")]  # nicht über den Absatz hinaus
+    last = None
+    for last in re.finditer(_words_pattern(text[-1:]), window):
+        pass
+    return (start, start + last.end()) if last else None
+
+
 def _inside_link(markdown: str, index: int) -> bool:
     """Liegt die Stelle schon in einem Link (<…>, [..](…))?"""
     line_start = markdown.rfind("\n", 0, index) + 1