pdf2md/tests/test_e2e.py
Dieter Schlüter 85a01ac5c7 Bedienungsanleitung ergänzt, Bildpfade relativ zur Markdown-Datei
- BEDIENUNGSANLEITUNG.md: Installation, Weg A (PDF -> EPUB), Weg B (Markdown
  bearbeiten, dann pandoc), Scans, Optionen, Prüfen, häufige Probleme;
  Verweis in README.md
- Fix: pymupdf4llm schreibt Bildpfade relativ zum Arbeitsverzeichnis
  ("Output/x_images/…"), wenn der Bilderordner darunter liegt. Die Links
  zeigen jetzt immer relativ zur Markdown-Datei; Regressionstests ergänzt.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-02 01:23:36 +02:00

142 lines
4.8 KiB
Python

"""Ende-zu-Ende: Kommandozeilenaufruf auf den Test-PDFs."""
import difflib
import re
import subprocess
import sys
import zipfile
import pytest
from conftest import ROOT, TITLE, needs_pandoc, needs_tesseract
SCRIPT = ROOT / "pdf2md_v5.py"
def run(*args, cwd=None) -> subprocess.CompletedProcess:
done = subprocess.run(
[sys.executable, str(SCRIPT), *map(str, args)],
capture_output=True,
text=True,
timeout=600,
cwd=cwd,
)
assert done.returncode == 0, done.stderr
return done
def words(text: str) -> list[str]:
return re.findall(r"[^\W\d_]+", text.lower())
@pytest.fixture(scope="module")
def digital_md(pdfs, tmp_path_factory):
out = tmp_path_factory.mktemp("digital") / "digital.md"
run(pdfs["digital"], out)
return out.read_text(encoding="utf-8")
def test_digital_structure(digital_md):
headings = re.findall(r"^#+ .*$", digital_md, re.MULTILINE)
assert headings == [
"# Das Testbuch",
"## Inhaltsverzeichnis",
"## Teil I: Der Anfang",
"### 1 Der Notar",
"### 2 Ein Brief",
]
# Absatz über die Seitengrenze mit Silbentrennung
assert "Dort sprach er lange mit dem Geheimdienst über die Lage" in digital_md
# keine Seitenzahlen, keine Kolumnentitel außer der Titelüberschrift
assert not re.search(r"^\d+$", digital_md, re.MULTILINE)
assert digital_md.count(TITLE) == 1
@needs_tesseract
def test_scanned_matches_digital(pdfs, tmp_path, digital_md):
out = tmp_path / "scanned.md"
done = run(pdfs["scanned"], out, "--jobs", "2")
assert "4 Seiten werden per OCR gelesen" in done.stdout
md = out.read_text(encoding="utf-8")
ratio = difflib.SequenceMatcher(None, words(digital_md), words(md), autojunk=False).ratio()
assert ratio >= 0.9, ratio
assert "Geheimdienst über die Lage" in md
assert re.search(r"^#+ 1 Der Notar$", md, re.MULTILINE)
assert re.search(r"^#+ 2 Ein Brief$", md, re.MULTILINE)
assert not re.search(r"^\d+$", md, re.MULTILINE)
@needs_tesseract
def test_existing_ocr_layer_is_reused(pdfs, tmp_path, digital_md):
out = tmp_path / "scanned_ocr.md"
done = run(pdfs["scanned_ocr"], out)
assert "4 mit OCR-Ebene" in done.stdout
assert "0 Seiten werden per OCR gelesen" in done.stdout
md = out.read_text(encoding="utf-8")
ratio = difflib.SequenceMatcher(None, words(digital_md), words(md), autojunk=False).ratio()
assert ratio >= 0.9, ratio
@needs_tesseract
def test_mixed_keeps_page_order(pdfs, tmp_path):
out = tmp_path / "mixed.md"
done = run(pdfs["mixed"], out)
assert "2 Seiten werden per OCR gelesen" in done.stdout
md = out.read_text(encoding="utf-8")
positions = [md.find(s) for s in ("Albrecht van Oie", "Geheimdienst", "Teurer Albrecht", "nächsten Morgen")]
assert -1 not in positions
assert positions == sorted(positions)
@needs_tesseract
def test_photo_page_produces_no_garbage(pdfs, tmp_path, digital_md):
out = tmp_path / "photo.md"
done = run(pdfs["photo"], out)
assert "0 Seiten werden per OCR gelesen" in done.stdout
assert "Hinweis: 1 Bildseite" in done.stdout
md = out.read_text(encoding="utf-8")
assert words(md)[-5:] == words(digital_md)[-5:]
def test_no_ocr_on_scan_yields_hint(pdfs, tmp_path):
out = tmp_path / "noocr.md"
done = run(pdfs["scanned"], out, "--no-ocr")
assert "Hinweis: 4 Bildseite(n)" in done.stdout
assert "Albrecht" not in out.read_text(encoding="utf-8")
@needs_pandoc
def test_epub(pdfs, tmp_path):
out = tmp_path / "buch.md"
run(pdfs["digital"], out, "--epub")
epub = tmp_path / "buch.epub"
images = tmp_path / "buch_images"
assert (images / "cover.jpg").is_file()
assert {f.suffix for f in images.iterdir()} == {".jpg"}
with zipfile.ZipFile(epub) as z:
assert z.read("mimetype") == b"application/epub+zip"
nav = z.read("EPUB/nav.xhtml").decode()
opf = z.read("EPUB/content.opf").decode()
for title in ("Teil I: Der Anfang", "1 Der Notar", "2 Ein Brief"):
assert title in nav
assert "Erika Muster" in opf
assert "cover" in opf
def test_png_on_request(pdfs, tmp_path):
out = tmp_path / "png.md"
run(pdfs["digital"], out, "--images", "--image-format", "png")
md = out.read_text(encoding="utf-8")
assert re.search(r"!\[\]\(png_images/[^)]+\.png\)", md)
def test_image_links_relative_to_markdown_with_relative_output(pdfs, tmp_path):
# Aufruf wie "python3 pdf2md_v5.py --images buch.pdf Output/buch.md" aus dem Projektordner
run(pdfs["digital"], "Output/buch.md", "--images", cwd=tmp_path)
md = (tmp_path / "Output" / "buch.md").read_text(encoding="utf-8")
links = re.findall(r"!\[\]\(([^)]+)\)", md)
assert links
for link in links:
assert link.startswith("buch_images/"), link
assert (tmp_path / "Output" / link).is_file()