# TODO

## Bekannte Schwächen (aus Probeläufen mit fremden PDFs)

- Reine Zahlen als Überschrift: pymupdf4llm macht Fußnotenzeichen zu Überschriften
  („## 90“ im Zensur-Report). Nicht pauschal entfernen – im DDR-Buch sind „## 1“, „## 2“
  echte Kapitelnummern. Möglicher Ansatz: Zahl-Überschrift nur behalten, wenn direkt eine
  Überschrift folgt.
- Römische Seitenzahlen („## XX“, „## XXIV“) werden nicht als Seitenzahl erkannt; Vorsicht
  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.
- Zeilengetreu: Verszeilen mit Satzzeichen am Ende werden zu Absätzen (split_by_indent
  wertet kurze Zeile + Satzende als Absatzende); Codefragmente ohne Code-Merkmale
  (`[dependencies]`, Programmausgaben) landen als `\`-Zeilen neben dem Codeblock statt darin.
- Markdown-Sonderzeichen werden nicht maskiert: `__add__` im Register wird fett gesetzt.
- Links: Setzt sich eine URL in einem neuen Block fort (z. B. als Listenpunkt „- juuuport-…“),
  bleibt sie abgeschnitten. Die Heuristik ohne Linkziel hängt Wörter mit „/“ an
  („https://a.de/ und/oder“ → eine URL). Linktexte mit Trennung mitten in langen Titeln
  werden nicht wiedergefunden.