URLs als anklickbare Links, zerbrochene URLs reparieren

- load_link_uris: Linkziele aus den Link-Annotationen der PDF lesen - link_urls: URLs als Autolink <https://…> schreiben; beim Zeilenumbruch zerbrochene URLs mit den Linkzielen abgleichen (tolerant gegenüber Bindestrichen, Leerraum, "/" am Ende, Abfrageteil, .html) und utm-Parameter entfernen; ohne Linkziel aus dem gedruckten Text zusammensetzen - Bindestrich am Zeilenende innerhalb einer URL bleibt erhalten - pandoc liest mit +autolink_bare_uris - Tests, README, Bedienungsanleitung und TODO ergänzt Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-02 15:07:47 +02:00 · 2026-10-02 15:07:47 +02:00 · 619421ef10
commit 619421ef10
parent f9dfa3a52e
5 changed files with 221 additions and 3 deletions
--- a/BEDIENUNGSANLEITUNG.md
+++ b/BEDIENUNGSANLEITUNG.md
@ -97,6 +97,7 @@ Wenn du kein Cover und kein Probe-EPUB brauchst, reicht `--images` statt `--epub
 | Zeilenumbruch innerhalb eines Absatzes | einfacher Umbruch | wird zu einem Leerzeichen |
 | Bild | `![](band1_images/…jpg)` auf eigener Zeile | Bild an dieser Stelle |
 | kursiv / fett | `_Wort_` / `**Wort**` | kursiv / fett |
+| Link | `<https://beispiel.de/seite>` oder `[Text](https://beispiel.de/seite)` | anklickbarer Link |

 Wichtig:

@ -134,7 +135,7 @@ Im Ordner der Markdown-Datei starten (wichtig für die Bilder):
 ```bash
 cd ~/Downloads/ljutsch/Output
 pandoc band1.md \
-  --from markdown-yaml_metadata_block --to epub3 \
+  --from markdown-yaml_metadata_block+autolink_bare_uris --to epub3 \
  --output band1.epub \
  --resource-path . \
  --split-level=3 --toc-depth=3 \
@ -239,6 +240,7 @@ Kolumnentitel und Seitenzahlen gedruckter Bücher werden automatisch entfernt, g
 | Überschrift besteht nur aus einer Zahl (`## 90`, `## XX`) | meist Fußnotenzeichen oder Seitenzahl → in Weg B löschen |
 | Buchstaben fehlen („Offzielle“, „treff ch“) | Ligatur (fi, fl) ohne Textzuordnung in der PDF; von Hand korrigieren |
 | Überschrift gesperrt („M e i n k l e i nes Stück“) | Buchstaben einzeln gesetzt in der PDF; von Hand korrigieren |
+| Link führt ins Leere oder ist abgeschnitten | URL in der PDF nachsehen und in `<…>` korrigieren; manche PDFs enthalten selbst abgeschnittene Linkziele |
 | Formeln erscheinen als Bilder | bei Mathebüchern normal; dafür ist das Programm nicht gebaut |
 | Alter Scan: falsche Überschriften, viele Lesefehler | `--ocr always` (vorhandene OCR-Ebene ignorieren) |
 | Auf Scans fehlen Leerzeichen („deutetin“) | OCR-Fehler; höhere Auflösung versuchen (`--ocr-dpi 400`) oder von Hand korrigieren |
--- a/README.md
+++ b/README.md
@ -62,6 +62,11 @@ python3 pdf2md.py --epub --lang en --ocr-language eng --ocr always scan.pdf scan
 - **Inhaltsverzeichnis:** zusammengeklebte Einträge werden getrennt; liegt das Verzeichnis
  als Tabelle vor, bleibt die Tabelle erhalten.
 - **OCR-Ebenen** in Courier werden nicht als Programmcode (`` `…` ``) gesetzt.
+- **Links:** URLs werden als `<https://…>` geschrieben und sind damit in Markdown-Viewern
+  und im EPUB anklickbar. Beim Zeilenumbruch zerbrochene URLs (`deutsche-|sehen`,
+  `…/ youtube-…`) werden mit den Linkzielen der PDF abgeglichen und repariert;
+  Tracking-Parameter (`utm_…`) entfallen. Ohne Linkziel wird die URL aus dem gedruckten
+  Text zusammengesetzt.
 - **Seitenzahlen, Kolumnentitel, Text in Fotos** werden entfernt.

 ## Tests
@ -88,6 +93,7 @@ synthetisch erzeugt.
 - **Was am PDF liegt, bleibt:** fehlende Ligaturen ohne Textzuordnung („Offzielle“),
  gesperrt gesetzte Überschriften („M e i n k l e i nes …“), flache PDF-Gliederungen
  (alle Kapitel auf einer Ebene).
+- Links mit anderem Text als der URL (z. B. „hier“) werden nicht übernommen.
 - Reine Zahlen können als Überschrift erscheinen (Fußnotenzeichen, römische Seitenzahlen).
  Weitere bekannte Schwächen: [TODO.md](TODO.md).
 - Bilder werden als JPEG (Qualität 95) gespeichert; EPUB Band 1 ca. 5 MB.
--- a/TODO.md
+++ b/TODO.md
@ -72,3 +72,7 @@ wieder zusammengesetzt = Gesamt-Markdown.
  wegen echter Kapitel „I.“, „II.“.
 - Gesperrte Überschriften („M e i n k l e i nes Stück D D R“) bleiben zerrissen.
 - Alte Scans mit eigener OCR-Ebene: `--ocr always` liefert meist besseren Text.
+- Links: Setzt sich eine URL in einem neuen Block fort (z. B. als Listenpunkt „- juuuport-…“),
+  bleibt sie abgeschnitten. Links mit eigenem Text („hier“) gehen verloren; Abhilfe wäre,
+  die Link-Rechtecke der PDF dem Text zuzuordnen (`[hier](…)`). Die Heuristik ohne Linkziel
+  hängt Wörter mit „/“ an („https://a.de/ und/oder“ → eine URL).
--- a/pdf2md.py
+++ b/pdf2md.py
@ -21,6 +21,7 @@ import re
 import shutil
 import subprocess
 import sys
+import urllib.parse
 from collections import Counter
 from concurrent.futures import ProcessPoolExecutor
 from pathlib import Path
@ -487,6 +488,131 @@ def load_outline(doc: pymupdf.Document) -> dict[str, int]:
    return levels


+# ===========================================================================
+# Links
+# ===========================================================================
+# pymupdf4llm übernimmt keine Link-Annotationen, und gedruckte URLs zerbrechen
+# beim Zeilenumbruch ("deutsche-|sehen" -> "deutschesehen", ".../ youtube-...").
+# Wir gleichen URLs im Text mit den Linkzielen der PDF ab, ersetzen sie durch
+# das korrekte Ziel und schreiben sie als Autolink <https://…>, den pandoc im
+# EPUB als echten Link ausgibt.
+
+URL_START = re.compile(
+    r"(?<![<\]/A-Za-z0-9])(?<!\]\()(?:https?://|www\.)", re.IGNORECASE
+)  # nicht in <…>-Links und [Text](…)-Zielen
+URL_TRAILING = ".,;:!?)]}»«“”„\"'*_"
+MAX_URL_PARTS = 4  # eine URL kann über so viele Zeilen gebrochen sein
+# Ohne Linkziel: Folgewort gehört zur URL, wenn diese an einer typischen
+# 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*)$", re.IGNORECASE)
+
+
+def url_key(text: str) -> str:
+    """Vergleichsschlüssel: Bindestriche, Leerraum und "/" am Ende zählen nicht."""
+    return re.sub(r"[-\s]", "", text).rstrip("/").lower()
+
+
+def uri_keys(uri: str) -> set[str]:
+    """Schlüssel, unter denen ein Linkziel im gedruckten Text auftauchen kann.
+
+    Gedruckt fehlen oft Abfrageteil ("?utm_source=…") oder Endung (".html").
+    """
+    base = uri.split("#")[0]
+    keys = set()
+    for variant in (uri, base, base.split("?")[0]):
+        keys.add(url_key(variant))
+        keys.add(url_key(re.sub(r"\.(?:html?|php|aspx?)$", "", variant.rstrip("/"))))
+    return keys
+
+
+def clean_uri(uri: str) -> str:
+    """Tracking-Parameter (utm_…) entfernen."""
+    parts = urllib.parse.urlsplit(uri)
+    if "utm_" not in parts.query.lower():
+        return uri
+    query = [
+        (k, v) for k, v in urllib.parse.parse_qsl(parts.query, keep_blank_values=True)
+        if not k.lower().startswith("utm_")
+    ]
+    return urllib.parse.urlunsplit(parts._replace(query=urllib.parse.urlencode(query)))
+
+
+def load_link_uris(doc: pymupdf.Document) -> list[str]:
+    """Web-Linkziele der PDF (Link-Annotationen), ohne Dubletten."""
+    uris: dict[str, None] = {}
+    for page in doc:
+        for link in page.get_links():
+            uri = (link.get("uri") or "").strip()
+            if re.match(r"https?://", uri, re.IGNORECASE):
+                uris.setdefault(uri.replace(" ", "%20"))
+    return list(uris)
+
+
+def _autolink(url: str) -> str:
+    if url.lower().startswith("www."):
+        return f"[{url}](https://{url})"
+    return f"<{url}>"
+
+
+def _match_known(tokens: list[str], known: dict[str, str]) -> tuple[str, int] | None:
+    """Längste Verbindung von Wörtern, die zu einem Linkziel der PDF passt."""
+    for count in range(min(MAX_URL_PARTS, len(tokens)), 0, -1):
+        parts = [t.rstrip() for t in tokens[:count]]
+        joined = "".join(parts)
+        consumed = sum(map(len, tokens[: count - 1])) + len(parts[-1])
+        for strip in range(len(joined)):
+            candidate = joined[: len(joined) - strip]
+            if uri := known.get(url_key(candidate)):
+                return uri, consumed - strip
+            if candidate[-1] not in URL_TRAILING:
+                break
+    return None
+
+
+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()):
+            parts.append(token.rstrip())
+        else:
+            break
+    joined = "".join(parts)
+    url = joined.rstrip(URL_TRAILING)
+    consumed = sum(map(len, tokens[: len(parts) - 1])) + len(parts[-1])
+    return url, consumed - (len(joined) - len(url))
+
+
+def _link_line(line: str, known: dict[str, str]) -> str:
+    out = []
+    pos = 0
+    while match := URL_START.search(line, pos):
+        out.append(line[pos:match.start()])
+        tokens = re.findall(r"\S+\s*", line[match.start():])
+        url, consumed = _match_known(tokens, known) or _match_printed(tokens)
+        out.append(_autolink(url) if "." in url else line[match.start():][:consumed])
+        pos = match.start() + consumed
+    out.append(line[pos:])
+    return "".join(out)
+
+
+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")
+    in_fence = False
+    for i, line in enumerate(lines):
+        if FENCE.match(line):
+            in_fence = not in_fence
+        elif not in_fence and not IMAGE.match(line):
+            lines[i] = _link_line(line, known)
+    return "\n".join(lines)
+
+
 # ===========================================================================
 # Korrektur für pymupdf4llm: Trennstriche am Zeilenende, OCR-Ebenen
 # ===========================================================================
@ -522,7 +648,10 @@ def _mark_line_end_hyphens(spans: list[dict]) -> list[dict]:
            span = {**span, "text": text[:-1] + "-"}
        elif line_end and text.endswith("-"):
            word = FIRST_WORD.match(nxt["text"].lstrip())
-            if word and word.group(0).lower() in CONJUNCTIONS:
+            last = text.split()[-1]
+            if URL_START.search(last) or "/" in last:
+                span = {**span, "text": text + KEEP_HYPHEN}  # URLs trennt niemand
+            elif word and word.group(0).lower() in CONJUNCTIONS:
                span = {**span, "text": text + KEEP_HYPHEN_SPACE}
            elif word and word.group(0)[0].isupper():
                span = {**span, "text": text + KEEP_HYPHEN}
@ -945,7 +1074,7 @@ def write_epub(
    cmd = [
        pandoc,
        str(markdown_path),
-        "--from", "markdown-yaml_metadata_block",
+        "--from", "markdown-yaml_metadata_block+autolink_bare_uris",
        "--to", "epub3",
        "--output", str(epub_path),
        "--resource-path", str(markdown_path.parent),
@ -1075,6 +1204,7 @@ def main() -> int:
        with pymupdf.open(source) as doc:
            kinds, plan = plan_pages(doc, args.ocr, args.ocr_language, args.ocr_dpi)
            outline = load_outline(doc)
+            uris = load_link_uris(doc)
            page_count = doc.page_count
            title = (doc.metadata or {}).get("title") or source.stem
            author = (doc.metadata or {}).get("author") or ""
@ -1124,6 +1254,7 @@ def main() -> int:
            drop_running_heads=not args.keep_headers,
            running_head_min=max(3, page_count // 10),
        )
+        markdown = link_urls(markdown, uris)
        target.write_text(markdown, encoding="utf-8")

        if epub_path:
--- a/tests/test_normalize.py
+++ b/tests/test_normalize.py
@ -326,3 +326,78 @@ def test_make_image_links_relative(tmp_path, monkeypatch):
        "![](buch_images/a.jpg)\n\n![](buch_images/b.jpg)\n\n"
        "![](https://example.org/c.jpg)\n"
    )
+
+
+# --- Links -------------------------------------------------------------------------
+
+def test_link_urls_repairs_broken_urls_with_pdf_targets():
+    uris = [
+        "https://www.theeuropean.de/insa-umfrage-deutsche-sehen/",
+        "https://www.fsm.de/en/fsm/netzdg/",
+    ]
+    md = (
+        "Quelle: https://www.theeuropean.de/insa-umfrage-deutschesehen/.\n"
+        "Siehe https://www.fsm.de/en/fsm/ netzdg/. Danach Text.\n"
+    )
+    assert p.link_urls(md, uris) == (
+        "Quelle: <https://www.theeuropean.de/insa-umfrage-deutsche-sehen/>.\n"
+        "Siehe <https://www.fsm.de/en/fsm/netzdg/>. Danach Text.\n"
+    )
+
+
+def test_link_urls_without_pdf_targets():
+    md = "Mehr unter https://example.org/a_b, www.example.org und (https://x.de/y).\n"
+    assert p.link_urls(md) == (
+        "Mehr unter <https://example.org/a_b>, [www.example.org](https://www.example.org)"
+        " und (<https://x.de/y>).\n"
+    )
+
+
+def test_link_urls_leaves_images_and_existing_links_alone():
+    md = "![](bilder/x.jpg)\n\n<https://a.de/> und [b](https://b.de/)\n"
+    assert p.link_urls(md) == md
+
+
+def test_pymupdf4llm_patch_keeps_hyphen_inside_url():
+    spans = [
+        {"text": "Siehe https://a.de/umfrage-deutsche-", "flags": 0, "char_flags": 16,
+         "font": "x", "block": 0, "line": 0},
+        {"text": "sehen/ und mehr.", "flags": 0, "char_flags": 16, "font": "x",
+         "block": 0, "line": 1},
+    ]
+    output, _ = p.document_layout.get_styled_text(spans)
+    assert output.strip() == "Siehe https://a.de/umfrage-deutsche-sehen/ und mehr."
+
+
+def test_load_link_uris():
+    doc = pymupdf.open()
+    page = doc.new_page()
+    for uri in ("https://a.de/x", "mailto:a@b.de", "https://a.de/x"):
+        page.insert_link({"kind": pymupdf.LINK_URI, "from": pymupdf.Rect(0, 0, 10, 10),
+                          "uri": uri})
+    doc = pymupdf.open("pdf", doc.tobytes())
+    assert p.load_link_uris(doc) == ["https://a.de/x"]
+
+
+def test_link_urls_tolerates_printed_variants():
+    uris = [
+        "https://a.de/artikel?utm_source=chatgpt.com",
+        "https://b.de/news/Gesetz-Kritik-3718401.html",
+        "https://c.de/seite",
+    ]
+    md = "Siehe https://a.de/artikel/, https://b.de/news/ Gesetz-Kritik-3718401 und https://c.de/seite/.\n"
+    assert p.link_urls(md, uris) == (
+        "Siehe <https://a.de/artikel>, <https://b.de/news/Gesetz-Kritik-3718401.html> und "
+        "<https://c.de/seite>.\n"
+    )
+
+
+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"
+    )
+    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"
+    )