From f0e0562451fa32af849f0edfcd4b0e7292b163b4 Mon Sep 17 00:00:00 2001
From: =?UTF-8?q?Dieter=20Schl=C3=BCter?= <dieter.schlueter@linix.de>
Date: Fri, 2 Oct 2026 17:32:20 +0200
Subject: [PATCH] =?UTF-8?q?Inhaltsverzeichnis=20einheitlich:=20Eintr=C3=A4?=
 =?UTF-8?q?ge=20als=20Abs=C3=A4tze=20statt=20"\"-Zeilen?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

- Im Inhaltsverzeichnis wird jeder Eintrag ein eigener Absatz, auch wenn
  er als zeilengetreu erkannt wurde (vorher gemischte Abstände im EPUB)
- Zeilen, die wie Gliederungseinträge aussehen ("Teil V: …", "32 …"),
  werden auch ohne Überschrift "Inhalt" zu Absätzen (Vorschau Band Zwei)
- Tests, README

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
---
 README.md              |  6 ++++--
 pdf2md.py              | 18 ++++++++++++++++++
 tests/test_verbatim.py | 20 ++++++++++++++++++++
 3 files changed, 42 insertions(+), 2 deletions(-)

diff --git a/README.md b/README.md
index 5debf81..fbe7e08 100644
--- a/README.md
+++ b/README.md
@@ -66,8 +66,10 @@ python3 pdf2md.py --epub --ocr-language eng --ocr always scan.pdf scan.md   # EP
   werden ebenfalls aufgelöst (`wach­|senden` → `wachsenden`).
 - **Überschriften:** Ebenen aus den PDF-Lesezeichen (Teile `##`, Kapitel `###`);
   Satzreste, die fälschlich als Überschrift erkannt wurden, kommen zurück in den Text.
-- **Inhaltsverzeichnis:** zusammengeklebte Einträge werden getrennt; liegt das Verzeichnis
-  als Tabelle vor, bleibt die Tabelle erhalten.
+- **Inhaltsverzeichnis:** zusammengeklebte Einträge werden getrennt; jeder Eintrag wird ein
+  eigener Absatz (auch bei Verzeichnissen ohne Überschrift „Inhalt“, z. B. „Vorschau Band
+  Zwei“), nie eine Zeile mit `\`. 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`,
diff --git a/pdf2md.py b/pdf2md.py
index a9feea7..bdb3deb 100644
--- a/pdf2md.py
+++ b/pdf2md.py
@@ -131,6 +131,11 @@ PART_TITLE = re.compile(
     r"^(?:teil|buch|band|part|book)\s+(?:[ivxlcdm]+|\d+)\b",
     re.IGNORECASE,
 )
+# Zeile, die wie ein Gliederungseintrag aussieht ("Teil V: …", "32 Oberst …").
+OUTLINE_ENTRY = re.compile(
+    r"^(?:\d{1,3}\.?\s+\S|(?:teil|buch|band|part|book|kapitel|chapter)\s+(?:[ivxlcdm]+|\d+)\b)",
+    re.IGNORECASE,
+)
 NUMBERED_TITLE = re.compile(
     r"^(?:\d+\.?|kapitel\s+\d+|chapter\s+\d+)\s",
     re.IGNORECASE,
@@ -374,6 +379,19 @@ def normalize_markdown(
                 # Mehrzeiliger Absatz: Absatzende; einzelne Zeile: harter Umbruch
                 line += PARAGRAPH_END if end_mark.group(2) else HARD_BREAK
 
+        if in_contents and line.endswith((HARD_BREAK, PARAGRAPH_END)):
+            # Inhaltsverzeichnis: jeder Eintrag ein eigener Absatz (einheitlich,
+            # auch wenn das Verzeichnis in der PDF zeilengetreu erscheint).
+            line = line.rstrip(HARD_BREAK + PARAGRAPH_END)
+        elif line.endswith((HARD_BREAK, PARAGRAPH_END)) and OUTLINE_ENTRY.match(
+            clean_inline(line.rstrip(HARD_BREAK + PARAGRAPH_END))
+        ):
+            # Verzeichnis ohne Überschrift "Inhalt" (z. B. "Vorschau Band Zwei"):
+            # Einträge als eigene Absätze statt als Zeilen mit "\".
+            flush_paragraph()
+            standalone(clean_inline(line.rstrip(HARD_BREAK + PARAGRAPH_END)))
+            continue
+
         if line.endswith(PARAGRAPH_END):
             content = line.removesuffix(PARAGRAPH_END)
             if not paragraph and result and result[-1].endswith(HARD_BREAK):
diff --git a/tests/test_verbatim.py b/tests/test_verbatim.py
index bc39827..b8e7cd5 100644
--- a/tests/test_verbatim.py
+++ b/tests/test_verbatim.py
@@ -141,3 +141,23 @@ def test_literal_fence_text_is_escaped_and_markers_never_leak():
     out = p.normalize_markdown(md)
     assert out.startswith("\\```")
     assert not p.MARKERS.search(out)
+
+
+def test_contents_entries_are_uniform_paragraphs():
+    outline = {"vorwort": 2, "1 der notar": 3, "2 ein brief": 3}
+    md = (
+        f"## Inhaltsverzeichnis\n\nTitel{H}\nVorwort{H}\n1 Der Notar{P}\n\n"
+        f"2 Ein Brief{B}40{B}\n\n## Vorwort\n\nText.\n"
+    )
+    assert p.normalize_markdown(md, outline) == (
+        "## Inhaltsverzeichnis\n\nTitel\n\nVorwort\n\n1 Der Notar\n\n2 Ein Brief\n\n"
+        "## Vorwort\n\nText.\n"
+    )
+
+
+def test_outline_like_lines_outside_contents_become_paragraphs():
+    md = f"## Vorschau Band Zwei\n\n32 Oberst a.D.{H}\n33 Wolga-Attacke{P}\n\nTeil VI: Polen{H}\nOperation Morgenlicht{P}\n"
+    assert p.normalize_markdown(md) == (
+        "## Vorschau Band Zwei\n\n32 Oberst a.D.\n\n33 Wolga-Attacke\n\n"
+        "Teil VI: Polen\n\nOperation Morgenlicht\n"
+    )