Watch

Dieter Schlüter d322ee3523 Zeilengetreue Übernahme von Code, Registern, Versen und Adressen

Ein Zeilenumbruch gilt als weich (vom Satzprogramm), wenn das erste Wort
der nächsten Zeile nicht mehr gepasst hätte (Toleranz 5 % der Spalte);
sonst als hart, und die Zeile bleibt samt Einrückung erhalten.

- lines_to_md (Patch von text_to_md): harte/weiche Umbrüche aus der
  Geometrie; Blöcke mit überwiegend harten Umbrüchen zeilengetreu als
  Codeblock (auch Proportionalschrift, Einrückung rekonstruiert) oder als
  Zeilen mit "\" und geschützten Leerzeichen
- Blockgrenzen: freie Zeichen der letzten Zeile werden mitgegeben,
  normalize_markdown prüft damit das erste Wort des nächsten Blocks
- normalize_markdown: harte Umbrüche, Absatzenden ohne Satzzeichen,
  Codeblöcke über Seitengrenzen zusammenführen, wörtliches ``` maskieren
- EPUB-CSS: lange Codezeilen umbrechen (white-space: pre-wrap)
- Tests (tests/test_verbatim.py), README, Bedienungsanleitung, CLAUDE.md,
  TODO.md

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

2026-10-02 16:39:06 +02:00

1.5 KiB

Raw Blame History

CLAUDE.md

PDF → Markdown → EPUB für den PocketBook-Reader (digitale und gescannte PDFs). Aktuelles Programm: pdf2md.py (Einzeldatei; Name bleibt fest, keine Versionsnummer im Dateinamen). Frühere Stände (v1–v4) nur noch in der Git-Historie.

Befehle

Tests: python3 -m pytest (Fixtures werden synthetisch erzeugt; OCR braucht tesseract-ocr-deu)
Lint: python3 -m ruff check pdf2md.py tests/
Echttest: python3 pdf2md.py --epub Operation_Ljutsch_Band_1_-_Reinhard_Otto_Kranz.pdf <scratch>/band1.md

Konventionen

Hilfetexte, Meldungen, Kommentare und Docstrings auf Deutsch (wie v4); Bezeichner Englisch.
Echttests nie nach Fertig/ schreiben (dort liegen die Ergebnisse des Nutzers).
PDFs/EPUBs/Bilder sind per .gitignore ausgeschlossen – keine Binärdateien committen.
pdf2md.py patcht drei Funktionen in pymupdf4llm.helpers.document_layout (get_styled_text, text_to_md, create_list_item_levels – letztere nur, um pro Seite die Zeilengeometrie zu merken). Nach einem pymupdf4llm-Update prüfen, ob tests/test_normalize.py::test_pymupdf4llm_patch_keeps_compound_hyphen und tests/test_verbatim.py noch grün sind.
Zwischen dem Patch (lines_to_md) und normalize_markdown laufen interne Markierungen aus dem Private-Use-Bereich (HARD_BREAK, BLOCK_END, PARAGRAPH_END, STANZA_BREAK, U+E002–U+E005); sie dürfen nie in der Ausgabe landen.
Regressionsprüfung bei Änderungen am Umbruch: Band 1/2 vorher/nachher diffen; Fließtext darf sich nur an echten Absatz- oder Zeilenwechseln der PDF ändern.

1.5 KiB Raw Blame History Unescape Escape

CLAUDE.md

Befehle

Konventionen

1.5 KiB

Raw Blame History