--keep-lines für Gedichtbände, OCR-Neuerkennung repariert, OCR-Rauschen entfernen

- --ocr always / schiefe OCR-Ebenen: alte unsichtbare Textebene vor der
  OCR entfernen (nur in der Kopie im Speicher); vorher blieb der alte
  Text erhalten bzw. stand doppelt da ("bliht" statt "blüht")
- --keep-lines: jede PDF-Zeile bleibt eine Zeile, Strophen als Absätze,
  Einrückungen bleiben, nichts wird zusammengefügt (auch keine Trennung)
- OCR-Text selbst erkennen (unsichtbar, wie pymupdf4llm 1.28 intern);
  Buchkante "|" entfernen, Rauschzeilen und Fetzen neben dem Textbereich
  verwerfen, Zeilen mit verschiedenen Grundlinien trennen, Überschriften
  ohne Buchstaben/Ziffern verwerfen
- Fraktur: frk+deu dokumentiert, Grenzen in TODO
- Tests: Scan mit falscher OCR-Ebene, Gedicht in schmaler Spalte,
  OCR-Rauschen; README, Bedienungsanleitung, TODO

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

README.md

@@ -16,7 +16,8 @@ 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`.
+`tesseract-ocr` wird nur für Scans gebraucht, `pandoc` nur für `--epub`. Für Fraktur-Scans
+zusätzlich `sudo apt install tesseract-ocr-frk` und `--ocr-language frk+deu`.
 
 ## Verwendung
 
@@ -59,6 +60,7 @@ python3 pdf2md.py --epub --ocr-language eng --ocr always scan.pdf scan.md   # EP
 | `--from-md PFAD` | nur EPUB erzeugen – aus einer (bearbeiteten) `.md` oder einem `--split`-Ordner |
 | `--title`, `--author` | Titel/Autor im EPUB vorgeben (statt PDF-Metadaten bzw. YAML-Kopf) |
 | `--lang` | Sprache im EPUB (Standard: aus `--ocr-language`, `deu`→`de`, `eng`→`en`) |
+| `--keep-lines` | jede Zeile der PDF bleibt eine Zeile (Gedichtbände, Liedtexte): Strophen als Absätze, Einrückungen bleiben; nichts wird zusammengefügt, auch keine Silbentrennung |
 | `--keep-headers`, `--keep-footers` | Kolumnentitel bzw. Seitenzahlen nicht entfernen |
 
 ## Was die Nachbearbeitung macht
@@ -72,7 +74,9 @@ python3 pdf2md.py --epub --ocr-language eng --ocr always scan.pdf scan.md   # EP
   (Markdown: `\` am Zeilenende, Einrückung als geschütztes Leerzeichen). Codeblöcke über
   eine Seitengrenze werden zusammengeführt; lange Codezeilen bricht der Reader um.
 - **Verse:** Eine kurze Zeile mit Satzende gilt nur dann als Absatzende, wenn die nächste
-  Zeile eingerückt ist (Roman); sonst ist sie eine Verszeile und bleibt eine Zeile.
+  Zeile eingerückt ist (Roman); sonst ist sie eine Verszeile und bleibt eine Zeile. Füllen
+  Verse die Zeile fast (schmale Gedichtbände), ist das geometrisch nicht von Fließtext zu
+  unterscheiden – dafür gibt es `--keep-lines`.
 - **Absätze:** eine Absatzgrenze gilt nach Satzende (`.` `!` `?` `…`, auch mit `«` `“` `»`
   usw. dahinter) oder an einem harten Umbruch; auf Scans werden Absätze am Einzug erkannt.
 - **Silbentrennung:** `Geheim-|dienst` → `Geheimdienst`, `Militär-|Geheimdienst` bleibt mit
@@ -124,7 +128,12 @@ synthetisch erzeugt.
   Zeilen verlieren. Bei den Ljutsch-Bänden tritt das nicht auf (geprüft per Wortabgleich
   PDF ↔ Markdown).
 - OCR-Fehler (z. B. fehlende Leerzeichen) werden nicht korrigiert. Bei alten Scans mit
-  mitgelieferter OCR-Ebene liefert `--ocr always` meist deutlich besseren Text.
+  mitgelieferter OCR-Ebene liefert `--ocr always` meist deutlich besseren Text (die alte
+  Ebene wird dabei verworfen, z. B. „bliht“ → „blüht“). OCR-Rauschen vom Scanrand (Buchkante
+  als „|“, Buchstabenfetzen neben dem Textbereich) wird entfernt.
+- Fraktur (`--ocr-language frk+deu`): Das lange s bleibt als „ſ“ erhalten; bei manchen Scans
+  legt die Zeilenbildung von pymupdf4llm zwei eng stehende Verszeilen zusammen
+  („UndDon tauchteweißen …“).
 - **Mathematische Formeln** werden als Bilder übernommen; für Mathebücher ist ein anderes
   Werkzeug besser geeignet (z. B. Marker, Nougat).
 - **Was am PDF liegt, bleibt:** fehlende Ligaturen ohne Textzuordnung („Offzielle“),
@@ -134,7 +143,7 @@ synthetisch erzeugt.
   Link (Zensur-Report: alle 76 gesetzt). Ohne Linkziel in der PDF wird eine URL nur über
   typische Umbruchstellen (`-`, `/`, `_`) mit ihrer Fortsetzung verbunden.
 - Zeilengetreue Erkennung: Ist ein Gedicht genauso eingerückt wie Absatzanfänge, werden
-  Verszeilen mit Satzzeichen am Ende zu eigenen Absätzen. Listings mit eingedruckten
+  Verszeilen mit Satzzeichen am Ende zu eigenen Absätzen (Abhilfe: `--keep-lines`). Listings mit eingedruckten
   Zeilennummern werden nicht immer als ein Codeblock erkannt.
   Weitere bekannte Schwächen: [TODO.md](TODO.md).
 - Bilder werden als JPEG (Qualität 85) gespeichert; EPUB Band 1 ca. 3 MB.