Bessere Standardwerte: EPUB-Sprache, Titel/Autor, Prozesszahl

- --lang ohne Angabe aus der ersten OCR-Sprache ableiten (eng -> en)
- Fehlen Titel/Autor in den PDF-Metadaten: aus dem Dateinamen nach dem
  Muster "Autor_-_Titel" übernehmen, sonst Dateiname mit Leerzeichen
- --jobs: halbe Kernzahl, höchstens 8 (bisher 4)
- Tests (tests/test_defaults.py), README und Bedienungsanleitung

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

BEDIENUNGSANLEITUNG.md

@@ -65,10 +65,15 @@ Danach liegen in `Output/`:
 | :-- | :-- |
 | `band1.md` | das Buch als Markdown |
 | `band1_images/` | Bilder als JPEG, dazu `cover.jpg` (Seite 1 der PDF) |
-| `band1.epub` | das fertige E-Book (Titel und Autor aus der PDF) |
+| `band1.epub` | das fertige E-Book (Titel und Autor aus der PDF, siehe unten) |
 
 Ein Band mit ca. 700 Seiten dauert etwa anderthalb Minuten.
 
+**Titel und Autor im EPUB** stammen aus den Metadaten der PDF. Fehlen sie, wertet das Programm
+den Dateinamen nach dem Muster `Autor_-_Titel.pdf` aus: `Katja_Adler_-_Rolle_rückwärts.pdf` ergibt
+Titel „Rolle rückwärts“ und Autor „Katja Adler“. Ohne ` - ` im Namen wird der ganze Dateiname
+(mit Leerzeichen statt `_`) zum Titel. Es lohnt sich also, PDFs vorher passend umzubenennen.
+
 ---
 
 ## 3. Weg B – Markdown von Hand bearbeiten, dann EPUB
@@ -166,9 +171,9 @@ python3 pdf2md.py --epub scan.pdf Output/scan.md
 | :-- | :-- |
 | Buch in Deutsch (Standard) | – (`--ocr-language deu`) |
 | Deutsch und Englisch gemischt | `--ocr-language deu+eng` (Sprachpaket `tesseract-ocr-eng` nötig) |
-| schneller auf vielen Kernen | `--jobs 8` (Standard 4) |
+| mehr oder weniger parallele OCR-Prozesse | `--jobs N` (Standard: halbe Kernzahl, höchstens 8) |
 | OCR erzwingen, auch für vorhandene OCR-Ebenen | `--ocr always` |
-| englisches Buch | `--ocr-language eng --lang en` (Sprachpaket `tesseract-ocr-eng` nötig) |
+| englisches Buch | `--ocr-language eng` (Sprachpaket `tesseract-ocr-eng` nötig; EPUB-Sprache wird automatisch `en`) |
 | keine OCR | `--ocr never` oder `--no-ocr` |
 
 So entscheidet das Programm von selbst (`--ocr auto`):
@@ -199,12 +204,12 @@ Kolumnentitel und Seitenzahlen gedruckter Bücher werden automatisch entfernt, g
 | `--no-ocr` | Kurzform für `--ocr never` |
 | `--ocr-language` | Tesseract-Sprache(n), z. B. `deu+eng` (Standard `deu`) |
 | `--ocr-dpi` | Auflösung für die OCR (Standard 300) |
-| `--jobs N` | parallele OCR-Prozesse (Standard 4) |
+| `--jobs N` | parallele OCR-Prozesse (Standard: halbe Kernzahl, höchstens 8) |
 | `--images` | Bilder in `<name>_images/` speichern und im Markdown verlinken |
 | `--image-format jpg\|png` | Bildformat (Standard `jpg`; `png` verlustfrei, aber ca. 3× größer) |
 | `--epub` | zusätzlich EPUB erzeugen (schaltet `--images` ein) |
 | `--epub-file PFAD` | anderer Pfad für das EPUB |
-| `--lang` | Sprache im EPUB (Standard `de`) |
+| `--lang` | Sprache im EPUB (Standard: aus `--ocr-language` abgeleitet, `deu`→`de`, `eng`→`en`; sonst `de`) |
 | `--keep-headers` | Kolumnentitel/Seitenköpfe nicht entfernen |
 | `--keep-footers` | Seitenzahlen/Seitenfüße nicht entfernen |
 

README.md

@@ -27,14 +27,15 @@ dann EPUB“: **[BEDIENUNGSANLEITUNG.md](BEDIENUNGSANLEITUNG.md)**.
 # digitales oder gescanntes PDF -> Markdown (OCR wird automatisch entschieden)
 python3 pdf2md.py buch.pdf buch.md
 
-# zusätzlich Bilder und EPUB (Titel/Autor aus den PDF-Metadaten, Seite 1 als Cover)
+# zusätzlich Bilder und EPUB (Titel/Autor aus den PDF-Metadaten bzw. dem Dateinamen
+# "Autor_-_Titel.pdf", Seite 1 als Cover)
 python3 pdf2md.py --epub buch.pdf buch.md
 
 # Scan in Deutsch und Englisch, 8 parallele OCR-Prozesse
 python3 pdf2md.py --ocr-language deu+eng --jobs 8 scan.pdf scan.md
 
 # englisches Buch; alter Scan mit schlechter OCR-Ebene neu erkennen
-python3 pdf2md.py --epub --lang en --ocr-language eng --ocr always scan.pdf scan.md
+python3 pdf2md.py --epub --ocr-language eng --ocr always scan.pdf scan.md   # EPUB-Sprache: en
 ```
 
 | Option | Bedeutung |
@@ -42,11 +43,11 @@ python3 pdf2md.py --epub --lang en --ocr-language eng --ocr always scan.pdf scan
 | `--ocr auto` (Standard) | Scanseiten per OCR lesen; vorhandene, gerade OCR-Ebenen übernehmen, schiefe neu erkennen; reine Bildseiten in digitalen PDFs (Fotos, Cover) nur nach erfolgreicher Probe-OCR |
 | `--ocr always` / `--ocr never` (`--no-ocr`) | alle Seiten neu erkennen / keine OCR |
 | `--ocr-language`, `--ocr-dpi` | Tesseract-Sprache(n) (`deu`), Auflösung (300) |
-| `--jobs N` | parallele OCR-Prozesse (Standard 4); reine Textdokumente laufen immer sequenziell |
+| `--jobs N` | parallele OCR-Prozesse (Standard: halbe Kernzahl, höchstens 8); reine Textdokumente laufen immer sequenziell |
 | `--images` | Grafiken in `<name>_images/` speichern und verlinken |
 | `--image-format jpg\|png` | Bildformat (Standard jpg; png verlustfrei, aber ca. 3× größer) |
 | `--epub`, `--epub-file PFAD` | EPUB 3 mit pandoc erzeugen (schaltet `--images` ein) |
-| `--lang` | Sprache im EPUB (`de`) |
+| `--lang` | Sprache im EPUB (Standard: aus `--ocr-language`, `deu`→`de`, `eng`→`en`) |
 | `--keep-headers`, `--keep-footers` | Kolumnentitel bzw. Seitenzahlen nicht entfernen |
 
 ## Was die Nachbearbeitung macht

pdf2md.py

@@ -1057,6 +1057,39 @@ def heading_depth(markdown: str) -> int:
     return min(max(levels, default=1), 3)
 
 
+# Tesseract-Sprachcode -> Sprachcode im EPUB (ISO 639-1)
+EPUB_LANGUAGES = {
+    "deu": "de", "deu_latf": "de", "frk": "de", "eng": "en", "fra": "fr",
+    "spa": "es", "ita": "it", "nld": "nl", "por": "pt", "pol": "pl",
+    "ces": "cs", "dan": "da", "swe": "sv", "nor": "no", "fin": "fi",
+    "rus": "ru", "ukr": "uk", "lat": "la", "ell": "el", "tur": "tr",
+}
+
+
+def epub_language(ocr_language: str) -> str:
+    """EPUB-Sprache aus der (ersten) OCR-Sprache: "eng+deu" -> "en"."""
+    first = ocr_language.split("+")[0].strip().lower()
+    return EPUB_LANGUAGES.get(first, "de")
+
+
+def default_jobs() -> int:
+    """Halbe Kernzahl, höchstens 8: Jeder Prozess lädt das Layout-Modell."""
+    return max(1, min(8, (os.cpu_count() or 2) // 2))
+
+
+def title_author_from_filename(stem: str) -> tuple[str, str]:
+    """Titel und Autor aus einem Dateinamen nach dem Muster "Autor_-_Titel".
+
+    "Katja_Adler_-_Rolle_rückwärts" -> ("Rolle rückwärts", "Katja Adler");
+    ohne " - " ist der ganze Name der Titel.
+    """
+    name = re.sub(r"\s+", " ", stem.replace("_", " ")).strip()
+    author, sep, title = name.partition(" - ")
+    if sep and author.strip() and title.strip():
+        return title.strip(), author.strip()
+    return name, ""
+
+
 def write_epub(
     markdown_path: Path,
     epub_path: Path,
@@ -1142,8 +1175,9 @@ def main() -> int:
     parser.add_argument(
         "--jobs",
         type=int,
-        default=min(4, os.cpu_count() or 1),
+        default=default_jobs(),
-        help="Anzahl paralleler Prozesse (Standard: %(default)s)",
+        help="Anzahl paralleler OCR-Prozesse (Standard: halbe Kernzahl, "
+        "höchstens 8; hier %(default)s)",
     )
     parser.add_argument(
         "--images",
@@ -1169,8 +1203,8 @@ def main() -> int:
     )
     parser.add_argument(
         "--lang",
-        default="de",
+        help="Sprache im EPUB, z. B. en (Standard: aus --ocr-language, "
-        help="Sprache im EPUB (Standard: de)",
+        "deu -> de, eng -> en)",
     )
     parser.add_argument(
         "--keep-headers",
@@ -1183,6 +1217,7 @@ def main() -> int:
         help="Seitenfüße/Seitenzahlen übernehmen",
     )
     args = parser.parse_args()
+    args.lang = args.lang or epub_language(args.ocr_language)
 
     source = args.pdf.expanduser()
     target = (args.markdown or source.with_suffix(".md")).expanduser()
@@ -1206,8 +1241,9 @@ def main() -> int:
             outline = load_outline(doc)
             uris = load_link_uris(doc)
             page_count = doc.page_count
-            title = (doc.metadata or {}).get("title") or source.stem
+            file_title, file_author = title_author_from_filename(source.stem)
-            author = (doc.metadata or {}).get("author") or ""
+            title = ((doc.metadata or {}).get("title") or "").strip() or file_title
+            author = ((doc.metadata or {}).get("author") or "").strip() or file_author
 
             counts = Counter(kinds)
             print(

tests/test_defaults.py

@@ -0,0 +1,51 @@
+"""Standardwerte: EPUB-Sprache, Prozesszahl, Titel/Autor aus dem Dateinamen."""
+
+import zipfile
+
+import pymupdf
+import pytest
+
+import pdf2md as p
+from conftest import needs_pandoc
+from test_e2e import run
+
+
+@pytest.mark.parametrize(
+    "ocr_language, expected",
+    [("deu", "de"), ("eng", "en"), ("eng+deu", "en"), ("fra", "fr"), ("xyz", "de")],
+)
+def test_epub_language_follows_ocr_language(ocr_language, expected):
+    assert p.epub_language(ocr_language) == expected
+
+
+@pytest.mark.parametrize("cores, expected", [(None, 1), (1, 1), (4, 2), (24, 8)])
+def test_default_jobs(monkeypatch, cores, expected):
+    monkeypatch.setattr(p.os, "cpu_count", lambda: cores)
+    assert p.default_jobs() == expected
+
+
+@pytest.mark.parametrize(
+    "stem, expected",
+    [
+        ("Katja_Adler_-_Rolle_rückwärts_DDR", ("Rolle rückwärts DDR", "Katja Adler")),
+        ("Zensur_Netzwerk_Deutschland_de-report-de", ("Zensur Netzwerk Deutschland de-report-de", "")),
+        ("A_-_B_-_C", ("B - C", "A")),
+    ],
+)
+def test_title_author_from_filename(stem, expected):
+    assert p.title_author_from_filename(stem) == expected
+
+
+@needs_pandoc
+def test_epub_without_metadata_uses_filename_and_ocr_language(pdfs, tmp_path):
+    doc = pymupdf.open(pdfs["digital"])
+    doc.set_metadata({})
+    source = tmp_path / "Max_Muster_-_Ein_Buch.pdf"
+    doc.save(source)
+
+    run(source, tmp_path / "buch.md", "--epub", "--ocr-language", "eng")
+    with zipfile.ZipFile(tmp_path / "buch.epub") as z:
+        opf = z.read("EPUB/content.opf").decode()
+    assert ">Ein Buch<" in opf
+    assert ">Max Muster<" in opf
+    assert "<dc:language>en</dc:language>" in opf