pdf2md/tests/test_links.py

"""Links: Test-PDF mit typischen Varianten gebrochener URLs und Linktexte.

Die PDF lässt sich auch zum Ansehen erzeugen:
    python3 -c "import sys; sys.path[:0]=['.', 'tests']; import test_links; test_links.make_link_pdf('links.pdf')"
"""

import pymupdf

import pdf2md as p
from test_e2e import run

FONT, SIZE, LEFT, WIDTH = "tiro", 11, 50, 320
FILLER = "Wie schon im letzten Bericht dargestellt wurde die Lage danach genauer untersucht".split()

# (Zeilen, Linkziel, Text des Links in der PDF, Abstand vor dem Absatz)
PARAGRAPHS = [
    # 1. URL innerhalb des Absatzes am Bindestrich umbrochen, Tracking-Parameter
    (["Quelle: https://example.org/artikel/insa-umfrage-deutsche-",
      "sehen-meinungsfreiheit/. Danach geht der Satz ganz normal weiter."],
     "https://example.org/artikel/insa-umfrage-deutsche-sehen-meinungsfreiheit/?utm_source=chatgpt.com",
     None, 0),
    # 2. URL am "/" umbrochen (mit Leerzeichen danach), Endung in der nächsten Zeile
    (["Mehr unter https://example.org/docs/",
      "handbuch-2024.html und im Anhang des Berichts."],
     "https://example.org/docs/handbuch-2024.html", None, 14),
    # 3. URL geht in einem neuen Block weiter (großer Abstand)
    (["Siehe https://example.org/presse/safer-internet-day-"],
     None, None, 14),
    (["juuuport-scouts-seminar/. Ende des Satzes."],
     None, None, 40),
    # 4. ohne Linkziel: "und/oder" gehört nicht zur URL
    (["Wir prüfen https://kein-ziel.de/ und/oder andere Seiten im Netz."], None, None, 14),
    # 5. Link mit eigenem Text "hier"
    (["Den ganzen Bericht finden Sie hier im Netz der Organisation."],
     "https://example.org/bericht", ["hier"], 14),
    # 6. Linktext über zwei Zeilen mit Trennung mitten im Wort
    (["Zu den Empfängern gehört RUBIN: News-Poly-",
      "graph: Multimodal Orchestration for Media Verification. Danach folgt Text."],
     "https://example.org/rubin", ["RUBIN:", "News-Poly-", "graph:", "Multimodal",
                                   "Orchestration", "for", "Media", "Verification."], 14),
]
CROSS_BLOCK_URI = "https://example.org/presse/safer-internet-day-juuuport-scouts-seminar/"


def _fill(line: str) -> str:
    """Zeile vorn mit Füllwörtern bis an den rechten Rand bringen (Blocksatz-ähnlich)."""
    for n in range(len(FILLER), 0, -1):
        filled = " ".join(FILLER[:n]) + " " + line
        if pymupdf.get_text_length(filled, FONT, SIZE) <= WIDTH:
            return filled
    return line


def make_link_pdf(path) -> str:
    doc = pymupdf.open()
    page = doc.new_page(width=420, height=595)
    y = 60
    cross_rects = []
    for lines, uri, anchor, gap in PARAGRAPHS:
        y += gap
        rects = []
        for n, line in enumerate(lines):
            text = _fill(line) if n < len(lines) - 1 or len(lines) == 1 and line.endswith("-") else line
            page.insert_text((LEFT, y), text, fontname=FONT, fontsize=SIZE)
            words = [w for w in page.get_text("words") if abs(w[3] - y) < 4]
            if uri and anchor is None:  # URL-Teile dieser Zeile
                rects += [pymupdf.Rect(w[:4]) for w in words if "/" in w[4] or "html" in w[4]
                          or w[4].startswith(("sehen", "handbuch"))]
            elif uri:
                rects += [pymupdf.Rect(w[:4]) for w in words if w[4] in anchor]
            if "safer-internet" in line or "juuuport" in line:
                cross_rects += [pymupdf.Rect(w[:4]) for w in words
                                if "safer" in w[4] or "juuuport" in w[4]]
            y += 14
        for rect in rects:
            page.insert_link({"kind": pymupdf.LINK_URI, "from": rect, "uri": uri})
    for rect in cross_rects:
        page.insert_link({"kind": pymupdf.LINK_URI, "from": rect, "uri": CROSS_BLOCK_URI})
    doc.save(str(path))
    return str(path)


def convert(tmp_path) -> str:
    out = tmp_path / "links.md"
    run(make_link_pdf(tmp_path / "links.pdf"), out)
    return out.read_text(encoding="utf-8")


# --- Ende zu Ende ------------------------------------------------------------------

def test_url_broken_at_hyphen_is_repaired_without_tracking(tmp_path):
    md = convert(tmp_path)
    assert "<https://example.org/artikel/insa-umfrage-deutsche-sehen-meinungsfreiheit/>." in md
    assert "utm_source" not in md


def test_url_broken_after_slash_is_joined(tmp_path):
    assert "<https://example.org/docs/handbuch-2024.html> und im Anhang" in convert(tmp_path)


def test_url_continued_in_next_block_is_joined(tmp_path):
    md = convert(tmp_path)
    assert f"<{CROSS_BLOCK_URI}>. Ende des Satzes." in md
    assert "\njuuuport" not in md


def test_word_pair_after_url_is_not_part_of_it(tmp_path):
    assert "<https://kein-ziel.de/> und/oder andere Seiten" in convert(tmp_path)


def test_anchor_links(tmp_path):
    md = convert(tmp_path)
    assert "finden Sie [hier](https://example.org/bericht) im Netz" in md
    assert ("[RUBIN: News-Polygraph: Multimodal Orchestration for Media Verification.]"
            "(https://example.org/rubin)") in md


# --- Einzelfälle auf Markdown-Ebene -------------------------------------------------

def test_url_continued_as_list_item_is_joined():
    uri = "https://www.nlm.de/aktuell/safer-internet-day-juuuport-scouts-seminar-vor"
    md = "Siehe https://www.nlm.de/aktuell/safer-internet-day-\n\n- juuuport-scouts-\n\nseminar-vor/. Weiter.\n"
    assert p.link_urls(md, [uri]) == f"Siehe <{uri}>. Weiter.\n"
    assert p.link_urls(md) == f"Siehe <{uri}/>. Weiter.\n"  # ohne Linkziel: gedruckte Form


def test_url_at_line_end_does_not_swallow_next_paragraph():
    md = "Normal https://a.de/x-\n\nDer nächste Absatz.\n\nSiehe https://b.de/\n\n- erster Punkt\n"
    assert p.link_urls(md) == (
        "Normal <https://a.de/x->\n\nDer nächste Absatz.\n\nSiehe <https://b.de/>\n\n- erster Punkt\n"
    )


def test_extension_only_after_dot():
    assert p.link_urls("A https://b.de/a. html. B https://c.de/ html.\n") == (
        "A <https://b.de/a.html>. B <https://c.de/> html.\n"
    )


def test_fuzzy_anchor_with_lost_ligature():
    anchors = [("https://x.de/rubin", ["haben,", "gehört"],
                ["RUBIN", "–", "News-Poly-", "graph:", "Media-Content", "Verification", "(MOVERA)."])]
    md = "erhalten haben, gehört RUBIN – News-Polygraph: Media-Content Verifcation (MOVERA). In diesem Programm\n"
    assert p.link_anchors(md, anchors) == (
        "erhalten haben, gehört [RUBIN – News-Polygraph: Media-Content Verifcation (MOVERA).]"
        "(https://x.de/rubin) In diesem Programm\n"
    )