45 lines
2.7 KiB
Markdown
45 lines
2.7 KiB
Markdown
# TODO
|
||
|
||
## 1. Als Nächstes (Stand 2026-10-02)
|
||
|
||
- **Gedichtbände neu erzeugen und prüfen** – die Dateien in `Output/` stammen von vor den
|
||
Korrekturen (Commit 180d98a):
|
||
```bash
|
||
python3 pdf2md.py --epub --ocr always --keep-lines Neue_Gedichte_-_Rainer_Maria_Rilke.pdf Output/Neue_Gedichte_-_Rainer_Maria_Rilke.md
|
||
python3 pdf2md.py --epub --ocr-language deu_latf --keep-lines Neue_Gedichte_-_Jacob_Loewenberg_-_Fraktur_1895.pdf Output/Neue_Gedichte_-_Jacob_Loewenberg_-_Fraktur_1895.md
|
||
```
|
||
Was dabei auffällt, entscheidet über die Punkte in Abschnitt 2.
|
||
|
||
## 2. Mögliche Erweiterungen (je ca. 30 Min.)
|
||
|
||
- **Option „ſ“ → „s“** für Fraktur: lesbarer auf dem Reader, aber nicht mehr originalgetreu.
|
||
- **Ornamente/Zierleisten** werden auf Scans mit `--keep-lines` manchmal als Wortsalat gelesen
|
||
(„amm Cem wen rn aFREE anneee“). Idee: Zeilen ohne plausible Wörter verwerfen (Anteil
|
||
wortähnlicher Tokens, Funktionswörter wie in `looks_like_text`).
|
||
- **Bilder auf Scanseiten** gehen mit `--keep-lines` verloren (der direkte Tesseract-Weg
|
||
übernimmt keine Bilder). Für Gedichtbände meist egal, für illustrierte Liederbücher nicht.
|
||
|
||
## 3. Bekannte Grenzen (bewusst so gelassen)
|
||
|
||
- **Fraktur-OCR:** Auch `deu_latf` (tessdata_best) liest alte Scans nicht fehlerfrei
|
||
(„Uls“ statt „Als“, „=“ statt „—“); das Ubuntu-Modell `frk` ist deutlich schwächer
|
||
(„ftarf“, „fam“). Alte Scans brauchen Nacharbeit (Weg B).
|
||
- **Gesperrte Überschriften** („M e i n k l e i nes Stück D D R“) bleiben zerrissen; eine
|
||
Korrektur wäre fehleranfällig.
|
||
- **Alte Scans mit eigener OCR-Ebene:** `--ocr always` liefert meist besseren Text (die alte
|
||
Ebene wird verworfen).
|
||
- **Gedicht wie Absatzanfänge eingerückt** (Band 2, „Blinde Flecken“: alle Verse bei x = 94):
|
||
geometrisch nicht von einzeiligen Dialogabsätzen zu unterscheiden; Verszeilen mit Satzende
|
||
werden dort Absätze. Für reine Gedichtbände: `--keep-lines`.
|
||
- **Gedicht-Scans ohne `--keep-lines`:** pymupdf-layout verschränkt eng stehende OCR-Zeilen
|
||
(„UndDon tauchteweißen“). Mit `--keep-lines` umgangen (Zeilen direkt aus Tesseract).
|
||
- **Listings mit eingedruckten Zeilennummern** (Markdown Guide: „4 <html>“, „5 <head>“) werden
|
||
nicht immer als ein Codeblock erkannt; Programmausgaben ohne typische Merkmale bleiben Text.
|
||
|
||
## 4. Wartung
|
||
|
||
- Nach einem Update von pymupdf4llm (`pip install -U pymupdf4llm`) zuerst `python3 -m pytest`
|
||
laufen lassen: `pdf2md.py` patcht drei Funktionen der Bibliothek. Version 1.28 hat z. B. das
|
||
Format für Bildtext und die OCR-Erkennung geändert.
|
||
- Bei Änderungen am Umbruch: Regressionsvergleich gegen den letzten Commit über das Probekorpus
|
||
(Ljutsch Band 1/2, Zensur-Report, Markdown Guide, Register, Rust-Kochbuch, Kempis-Scan).
|