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>

tests/test_links.py

@@ -0,0 +1,147 @@
+"""Links: Test-PDF mit typischen Varianten gebrochener URLs und Linktexte.
+
+Die PDF lässt sich auch zum Ansehen erzeugen:
+    python3 -c "import sys; sys.path[:0]=['.', 'tests']; import test_links; test_links.make_link_pdf('links.pdf')"
+"""
+
+import pymupdf
+
+import pdf2md as p
+from test_e2e import run
+
+FONT, SIZE, LEFT, WIDTH = "tiro", 11, 50, 320
+FILLER = "Wie schon im letzten Bericht dargestellt wurde die Lage danach genauer untersucht".split()
+
+# (Zeilen, Linkziel, Text des Links in der PDF, Abstand vor dem Absatz)
+PARAGRAPHS = [
+    # 1. URL innerhalb des Absatzes am Bindestrich umbrochen, Tracking-Parameter
+    (["Quelle: https://example.org/artikel/insa-umfrage-deutsche-",
+      "sehen-meinungsfreiheit/. Danach geht der Satz ganz normal weiter."],
+     "https://example.org/artikel/insa-umfrage-deutsche-sehen-meinungsfreiheit/?utm_source=chatgpt.com",
+     None, 0),
+    # 2. URL am "/" umbrochen (mit Leerzeichen danach), Endung in der nächsten Zeile
+    (["Mehr unter https://example.org/docs/",
+      "handbuch-2024.html und im Anhang des Berichts."],
+     "https://example.org/docs/handbuch-2024.html", None, 14),
+    # 3. URL geht in einem neuen Block weiter (großer Abstand)
+    (["Siehe https://example.org/presse/safer-internet-day-"],
+     None, None, 14),
+    (["juuuport-scouts-seminar/. Ende des Satzes."],
+     None, None, 40),
+    # 4. ohne Linkziel: "und/oder" gehört nicht zur URL
+    (["Wir prüfen https://kein-ziel.de/ und/oder andere Seiten im Netz."], None, None, 14),
+    # 5. Link mit eigenem Text "hier"
+    (["Den ganzen Bericht finden Sie hier im Netz der Organisation."],
+     "https://example.org/bericht", ["hier"], 14),
+    # 6. Linktext über zwei Zeilen mit Trennung mitten im Wort
+    (["Zu den Empfängern gehört RUBIN: News-Poly-",
+      "graph: Multimodal Orchestration for Media Verification. Danach folgt Text."],
+     "https://example.org/rubin", ["RUBIN:", "News-Poly-", "graph:", "Multimodal",
+                                   "Orchestration", "for", "Media", "Verification."], 14),
+]
+CROSS_BLOCK_URI = "https://example.org/presse/safer-internet-day-juuuport-scouts-seminar/"
+
+
+def _fill(line: str) -> str:
+    """Zeile vorn mit Füllwörtern bis an den rechten Rand bringen (Blocksatz-ähnlich)."""
+    for n in range(len(FILLER), 0, -1):
+        filled = " ".join(FILLER[:n]) + " " + line
+        if pymupdf.get_text_length(filled, FONT, SIZE) <= WIDTH:
+            return filled
+    return line
+
+
+def make_link_pdf(path) -> str:
+    doc = pymupdf.open()
+    page = doc.new_page(width=420, height=595)
+    y = 60
+    cross_rects = []
+    for lines, uri, anchor, gap in PARAGRAPHS:
+        y += gap
+        rects = []
+        for n, line in enumerate(lines):
+            text = _fill(line) if n < len(lines) - 1 or len(lines) == 1 and line.endswith("-") else line
+            page.insert_text((LEFT, y), text, fontname=FONT, fontsize=SIZE)
+            words = [w for w in page.get_text("words") if abs(w[3] - y) < 4]
+            if uri and anchor is None:  # URL-Teile dieser Zeile
+                rects += [pymupdf.Rect(w[:4]) for w in words if "/" in w[4] or "html" in w[4]
+                          or w[4].startswith(("sehen", "handbuch"))]
+            elif uri:
+                rects += [pymupdf.Rect(w[:4]) for w in words if w[4] in anchor]
+            if "safer-internet" in line or "juuuport" in line:
+                cross_rects += [pymupdf.Rect(w[:4]) for w in words
+                                if "safer" in w[4] or "juuuport" in w[4]]
+            y += 14
+        for rect in rects:
+            page.insert_link({"kind": pymupdf.LINK_URI, "from": rect, "uri": uri})
+    for rect in cross_rects:
+        page.insert_link({"kind": pymupdf.LINK_URI, "from": rect, "uri": CROSS_BLOCK_URI})
+    doc.save(str(path))
+    return str(path)
+
+
+def convert(tmp_path) -> str:
+    out = tmp_path / "links.md"
+    run(make_link_pdf(tmp_path / "links.pdf"), out)
+    return out.read_text(encoding="utf-8")
+
+
+# --- Ende zu Ende ------------------------------------------------------------------
+
+def test_url_broken_at_hyphen_is_repaired_without_tracking(tmp_path):
+    md = convert(tmp_path)
+    assert "<https://example.org/artikel/insa-umfrage-deutsche-sehen-meinungsfreiheit/>." in md
+    assert "utm_source" not in md
+
+
+def test_url_broken_after_slash_is_joined(tmp_path):
+    assert "<https://example.org/docs/handbuch-2024.html> und im Anhang" in convert(tmp_path)
+
+
+def test_url_continued_in_next_block_is_joined(tmp_path):
+    md = convert(tmp_path)
+    assert f"<{CROSS_BLOCK_URI}>. Ende des Satzes." in md
+    assert "\njuuuport" not in md
+
+
+def test_word_pair_after_url_is_not_part_of_it(tmp_path):
+    assert "<https://kein-ziel.de/> und/oder andere Seiten" in convert(tmp_path)
+
+
+def test_anchor_links(tmp_path):
+    md = convert(tmp_path)
+    assert "finden Sie [hier](https://example.org/bericht) im Netz" in md
+    assert ("[RUBIN: News-Polygraph: Multimodal Orchestration for Media Verification.]"
+            "(https://example.org/rubin)") in md
+
+
+# --- Einzelfälle auf Markdown-Ebene -------------------------------------------------
+
+def test_url_continued_as_list_item_is_joined():
+    uri = "https://www.nlm.de/aktuell/safer-internet-day-juuuport-scouts-seminar-vor"
+    md = "Siehe https://www.nlm.de/aktuell/safer-internet-day-\n\n- juuuport-scouts-\n\nseminar-vor/. Weiter.\n"
+    assert p.link_urls(md, [uri]) == f"Siehe <{uri}>. Weiter.\n"
+    assert p.link_urls(md) == f"Siehe <{uri}/>. Weiter.\n"  # ohne Linkziel: gedruckte Form
+
+
+def test_url_at_line_end_does_not_swallow_next_paragraph():
+    md = "Normal https://a.de/x-\n\nDer nächste Absatz.\n\nSiehe https://b.de/\n\n- erster Punkt\n"
+    assert p.link_urls(md) == (
+        "Normal <https://a.de/x->\n\nDer nächste Absatz.\n\nSiehe <https://b.de/>\n\n- erster Punkt\n"
+    )
+
+
+def test_extension_only_after_dot():
+    assert p.link_urls("A https://b.de/a. html. B https://c.de/ html.\n") == (
+        "A <https://b.de/a.html>. B <https://c.de/> html.\n"
+    )
+
+
+def test_fuzzy_anchor_with_lost_ligature():
+    anchors = [("https://x.de/rubin", ["haben,", "gehört"],
+                ["RUBIN", "–", "News-Poly-", "graph:", "Media-Content", "Verification", "(MOVERA)."])]
+    md = "erhalten haben, gehört RUBIN – News-Polygraph: Media-Content Verifcation (MOVERA). In diesem Programm\n"
+    assert p.link_anchors(md, anchors) == (
+        "erhalten haben, gehört [RUBIN – News-Polygraph: Media-Content Verifcation (MOVERA).]"
+        "(https://x.de/rubin) In diesem Programm\n"
+    )

tests/test_normalize.py

@@ -395,11 +395,11 @@ def test_link_urls_tolerates_printed_variants():
 def test_link_urls_joins_printed_continuation_without_pdf_target():
     md = (
         "Siehe https://a.org/digital_ dispatches/towards-x/. und https://b.de/ "
-        "Docs/artikel. html. Oder https://c.de/ und mehr.\n"
+        "SharedDocs/schwerpunkte/artikel. html. Oder https://c.de/ und mehr.\n"
     )
     assert p.link_urls(md) == (
         "Siehe <https://a.org/digital_dispatches/towards-x/>. und "
-        "<https://b.de/Docs/artikel.html>. Oder <https://c.de/> und mehr.\n"
+        "<https://b.de/SharedDocs/schwerpunkte/artikel.html>. Oder <https://c.de/> und mehr.\n"
     )