pdf2md/TODO.md

TODO

1. Teile und Kapitel als separate Markdown-Dateien (--split)

Ziel: Beim Konvertieren PDF → Markdown jeden Teil bzw. jedes Kapitel als eigene MD-Datei speichern. Damit lassen sich:

• Teile/Kapitel einzeln ändern,
• Teile/Kapitel vertauschen oder umsortieren,
• die MD-Dateien für RAG verarbeiten (ein Kapitel = ein Dokument),
• daraus HTML-Dateien oder andere Formate erzeugen.

Skizze:

• Option --split teile|kapitel; Ausgabe als Ordner <name>/ statt einer einzelnen .md.
• Dateinamen mit Nummer und Titel, z. B.

  band1/
    index.md                         # Reihenfolge der Dateien (bzw. book.yaml)
    00_vorspann.md                   # Titelei, Inhaltsverzeichnis, Vorwort
    01_teil-i_das-vermaechtnis.md
    02_kapitel-01_der-notar.md
    …
    99_nachspann.md                  # Der Autor, Impressum
    images/
  

• YAML-Frontmatter pro Datei (für RAG und Umsortieren):

  ---
  title: "1 Der Notar"
  part: "Teil I: Das Vermächtnis"
  chapter: 1
  source_pages: [12, 25]
  book: "Operation Ljutsch"
  author: "Reinhard Otto Kranz"
  ---
  

• EPUB aus den Einzeldateien: pandoc nimmt mehrere Eingabedateien in der Reihenfolge von index.md; Umsortieren = Reihenfolge im Index ändern.

Ansatzpunkte im Code (pdf2md.py):

• Schnitt nach normalize_markdown() an den Überschriften ## (Teil) und ### (Kapitel); die Ebenen kommen aus load_outline().
• Bildpfade pro Datei anpassen (make_image_links_relative()).
• Vorspann (alles vor dem ersten Teil/Kapitel) und Nachspann als eigene Dateien.

Offene Fragen:

• Ein Ordner pro Teil oder alles flach in einem Ordner?
• Seitenzahlen ins Frontmatter? (pymupdf4llm liefert sie mit page_chunks=True.)
• Bücher ohne PDF-Gliederung: auf die erkannten Überschriften zurückfallen?
• Umkehrweg „Einzeldateien → ein MD/EPUB“ als eigene Option oder eigenes Skript?

Tests: Aufteilung des synthetischen Test-PDFs (Teil I, Kapitel 1–2) prüfen; Einzeldateien wieder zusammengesetzt = Gesamt-Markdown.

2. Weitere Ideen

• --from-md buch.md: nur den EPUB-Schritt aus einem (von Hand bearbeiteten) Markdown ausführen; Titel, Autor und Cover automatisch übernehmen.
• JPEG-Qualität einstellbar machen (z. B. --jpeg-quality 85), damit das EPUB noch kleiner wird.
• Remote für das Git-Repo einrichten (z. B. GitHub), damit die Commits gesichert sind.

3. 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.
• Links: Setzt sich eine URL in einem neuen Block fort (z. B. als Listenpunkt „- juuuport-…“), bleibt sie abgeschnitten. Links mit eigenem Text („hier“) gehen verloren; Abhilfe wäre, die Link-Rechtecke der PDF dem Text zuzuordnen ([hier](…)). Die Heuristik ohne Linkziel hängt Wörter mit „/“ an („https://a.de/ und/oder“ → eine URL).