pdf2md v5: gescannte und digitale PDFs, EPUB-Export, Tests

- Seitenklassifizierung (Text / Scan / OCR-Ebene / leer) mit OCR-Plan pro Seite:
  Scans per Tesseract, gerade OCR-Ebenen übernehmen, schiefe neu erkennen,
  Foto-/Coverseiten nur nach Probe-OCR; --ocr auto|always|never, --jobs
- Nachbearbeitung: Satzende-Erkennung mit « “ ‹, Silbentrennung, Überschriften-
  ebenen aus PDF-Lesezeichen, Rückstufung von Satzresten, Inhaltsverzeichnis
  trennen, Seitenzahlen/Kolumnentitel/Bildtext entfernen
- Patches für pymupdf4llm: Bindestrich-Komposita am Zeilenende, Absätze per
  Einzug in Scan-Blöcken
- --epub über pandoc (Metadaten, Cover, Kapitelaufteilung)
- pytest-Suite mit synthetischen Test-PDFs (79 Tests)

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

tests/test_e2e.py

@@ -0,0 +1,121 @@
+"""Ende-zu-Ende: Kommandozeilenaufruf auf den Test-PDFs."""
+
+import difflib
+import re
+import subprocess
+import sys
+import zipfile
+
+import pytest
+
+from conftest import ROOT, TITLE, needs_pandoc, needs_tesseract
+
+SCRIPT = ROOT / "pdf2md_v5.py"
+
+
+def run(*args) -> subprocess.CompletedProcess:
+    done = subprocess.run(
+        [sys.executable, str(SCRIPT), *map(str, args)],
+        capture_output=True,
+        text=True,
+        timeout=600,
+    )
+    assert done.returncode == 0, done.stderr
+    return done
+
+
+def words(text: str) -> list[str]:
+    return re.findall(r"[^\W\d_]+", text.lower())
+
+
+@pytest.fixture(scope="module")
+def digital_md(pdfs, tmp_path_factory):
+    out = tmp_path_factory.mktemp("digital") / "digital.md"
+    run(pdfs["digital"], out)
+    return out.read_text(encoding="utf-8")
+
+
+def test_digital_structure(digital_md):
+    headings = re.findall(r"^#+ .*$", digital_md, re.MULTILINE)
+    assert headings == [
+        "# Das Testbuch",
+        "## Inhaltsverzeichnis",
+        "## Teil I: Der Anfang",
+        "### 1 Der Notar",
+        "### 2 Ein Brief",
+    ]
+    # Absatz über die Seitengrenze mit Silbentrennung
+    assert "Dort sprach er lange mit dem Geheimdienst über die Lage" in digital_md
+    # keine Seitenzahlen, keine Kolumnentitel außer der Titelüberschrift
+    assert not re.search(r"^\d+$", digital_md, re.MULTILINE)
+    assert digital_md.count(TITLE) == 1
+
+
+@needs_tesseract
+def test_scanned_matches_digital(pdfs, tmp_path, digital_md):
+    out = tmp_path / "scanned.md"
+    done = run(pdfs["scanned"], out, "--jobs", "2")
+    assert "4 Seiten werden per OCR gelesen" in done.stdout
+    md = out.read_text(encoding="utf-8")
+
+    ratio = difflib.SequenceMatcher(None, words(digital_md), words(md), autojunk=False).ratio()
+    assert ratio >= 0.9, ratio
+    assert "Geheimdienst über die Lage" in md
+    assert re.search(r"^#+ 1 Der Notar$", md, re.MULTILINE)
+    assert re.search(r"^#+ 2 Ein Brief$", md, re.MULTILINE)
+    assert not re.search(r"^\d+$", md, re.MULTILINE)
+
+
+@needs_tesseract
+def test_existing_ocr_layer_is_reused(pdfs, tmp_path, digital_md):
+    out = tmp_path / "scanned_ocr.md"
+    done = run(pdfs["scanned_ocr"], out)
+    assert "4 mit OCR-Ebene" in done.stdout
+    assert "0 Seiten werden per OCR gelesen" in done.stdout
+    md = out.read_text(encoding="utf-8")
+    ratio = difflib.SequenceMatcher(None, words(digital_md), words(md), autojunk=False).ratio()
+    assert ratio >= 0.9, ratio
+
+
+@needs_tesseract
+def test_mixed_keeps_page_order(pdfs, tmp_path):
+    out = tmp_path / "mixed.md"
+    done = run(pdfs["mixed"], out)
+    assert "2 Seiten werden per OCR gelesen" in done.stdout
+    md = out.read_text(encoding="utf-8")
+    positions = [md.find(s) for s in ("Albrecht van Oie", "Geheimdienst", "Teurer Albrecht", "nächsten Morgen")]
+    assert -1 not in positions
+    assert positions == sorted(positions)
+
+
+@needs_tesseract
+def test_photo_page_produces_no_garbage(pdfs, tmp_path, digital_md):
+    out = tmp_path / "photo.md"
+    done = run(pdfs["photo"], out)
+    assert "0 Seiten werden per OCR gelesen" in done.stdout
+    assert "Hinweis: 1 Bildseite" in done.stdout
+    md = out.read_text(encoding="utf-8")
+    assert words(md)[-5:] == words(digital_md)[-5:]
+
+
+def test_no_ocr_on_scan_yields_hint(pdfs, tmp_path):
+    out = tmp_path / "noocr.md"
+    done = run(pdfs["scanned"], out, "--no-ocr")
+    assert "Hinweis: 4 Bildseite(n)" in done.stdout
+    assert "Albrecht" not in out.read_text(encoding="utf-8")
+
+
+@needs_pandoc
+def test_epub(pdfs, tmp_path):
+    out = tmp_path / "buch.md"
+    run(pdfs["digital"], out, "--epub")
+    epub = tmp_path / "buch.epub"
+    assert (tmp_path / "buch_images" / "cover.png").is_file()
+    with zipfile.ZipFile(epub) as z:
+        assert z.read("mimetype") == b"application/epub+zip"
+        nav = z.read("EPUB/nav.xhtml").decode()
+        opf = z.read("EPUB/content.opf").decode()
+    for title in ("Teil I: Der Anfang", "1 Der Notar", "2 Ein Brief"):
+        assert title in nav
+    assert "Erika Muster" in opf
+    assert "cover" in opf