From 19b6bbf5a2bef6b63a03ac00fe33907f53c11dd3 Mon Sep 17 00:00:00 2001
From: dschlueter <dschlueter@kitux.de>
Date: Sat, 10 Oct 2026 19:53:42 +0200
Subject: [PATCH] =?UTF-8?q?feat:=20extract=5Ftext.py=20--fliesstext=20f?=
 =?UTF-8?q?=C3=BCr=20lesbaren=20Flie=C3=9Ftext?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

Umbruch auf 80 Zeichen ohne Worttrennung, auch nicht am Bindestrich.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
---
 README.md                  |  2 ++
 extract_text.py            | 24 +++++++++++++++++++++---
 tests/test_extract_text.py | 16 ++++++++++++++++
 3 files changed, 39 insertions(+), 3 deletions(-)

diff --git a/README.md b/README.md
index 57a0a26..84c9d78 100644
--- a/README.md
+++ b/README.md
@@ -55,6 +55,7 @@ Zwischenschritt im temporären Verzeichnis. Die Spurwahl ist dieselbe wie bei
 ```bash
 ./extract_text.py -u 'https://www.youtube.com/watch?v=rm6lADgf6GQ'          # → output.txt
 ./extract_text.py -u URL -l de -o testdaten/rede.txt                      # Sprache und Ziel
+./extract_text.py -u URL -f -o rede.txt                                   # lesbarer Fließtext
 ./rede_korrigieren.py -i output.txt                                       # → output.korrigiert.txt
 ```
 
@@ -63,6 +64,7 @@ Zwischenschritt im temporären Verzeichnis. Die Spurwahl ist dieselbe wie bei
 | `-u`, `--url` | YouTube-URL, Pflicht |
 | `-l`, `--lang` | Sprache; Standard: Sprache des Original-Audios (`<sprache>-orig`) |
 | `-o`, `--output` | Ausgabedatei (Verzeichnisse werden angelegt, vorhandene Datei überschrieben); Standard: `output.txt` |
+| `-f`, `--fliesstext` | Fließtext, auf 80 Zeichen umbrochen (Wörter werden nie getrennt), statt der kurzen Untertitelzeilen; beides versteht `rede_korrigieren.py` |
 
 ### Untertitel herunterladen: `yt_untertitel.py`
 
diff --git a/extract_text.py b/extract_text.py
index 20b9eb0..4b27e59 100755
--- a/extract_text.py
+++ b/extract_text.py
@@ -5,12 +5,15 @@ from pathlib import Path
 import argparse
 import shutil
 import tempfile
+import textwrap
 
 from vtt2txt import vtt_to_lines
 from yt_untertitel import (
     YT_DLP, choose_track, download, fetch_info, no_track_message, original_language,
 )
 
+FLOW_WIDTH = 80  # Zeilenbreite für --fliesstext
+
 
 def parse_args():
     parser = argparse.ArgumentParser(
@@ -25,6 +28,10 @@ def parse_args():
         "-o", "--output", type=Path, default=Path("output.txt"),
         help="Ausgabedatei (Standard: output.txt)",
     )
+    parser.add_argument(
+        "-f", "--fliesstext", action="store_true",
+        help=f"Fließtext, auf {FLOW_WIDTH} Zeichen umbrochen, statt Untertitelzeilen",
+    )
     args = parser.parse_args()
 
     if args.output.is_dir():
@@ -60,10 +67,21 @@ def main():
     if not lines:
         raise SystemExit("Die Untertitel enthalten keinen Text.")
 
+    if args.fliesstext:
+        # Never split words, not even at hyphens ("EU-Gipfel")
+        text = textwrap.fill(
+            " ".join(lines), width=FLOW_WIDTH,
+            break_long_words=False, break_on_hyphens=False,
+        )
+    else:
+        text = "\n".join(lines)
+
     args.output.parent.mkdir(parents=True, exist_ok=True)
-    args.output.write_text("\n".join(lines) + "\n", encoding="utf-8")
-    words = sum(len(line.split()) for line in lines)
-    print(f"Gespeichert: {args.output} ({len(lines)} Zeilen, {words} Wörter)")
+    args.output.write_text(text + "\n", encoding="utf-8")
+    print(
+        f"Gespeichert: {args.output} "
+        f"({len(text.splitlines())} Zeilen, {len(text.split())} Wörter)"
+    )
 
 
 if __name__ == "__main__":
diff --git a/tests/test_extract_text.py b/tests/test_extract_text.py
index 8e70313..35d4d61 100644
--- a/tests/test_extract_text.py
+++ b/tests/test_extract_text.py
@@ -46,6 +46,22 @@ def test_default_language_is_original_audio(fake_yt_dlp, tmp_path, monkeypatch,
     assert [p.name for p in tmp_path.iterdir()] == ["output.txt"]
 
 
+def test_fliesstext(fake_yt_dlp, tmp_path, monkeypatch, capsys):
+    long_vtt = "WEBVTT\n\n" + "".join(
+        f"00:00:{i:02d}.000 --> 00:00:{i + 1:02d}.000\nSatz Nummer {i} zum EU-Gipfel.\n\n"
+        for i in range(20)
+    )
+    monkeypatch.setattr(yt.subprocess, "run", fake_yt_dlp(GERMAN_VIDEO, vtt=long_vtt))
+    target = tmp_path / "rede.txt"
+    run_main(monkeypatch, "-u", URL, "-f", "-o", target)
+
+    lines = target.read_text(encoding="utf-8").splitlines()
+    assert 1 < len(lines) < 20
+    assert all(len(line) <= extract_text.FLOW_WIDTH for line in lines)
+    assert " ".join(lines) == " ".join(f"Satz Nummer {i} zum EU-Gipfel." for i in range(20))
+    assert "100 Wörter" in capsys.readouterr().out
+
+
 def test_explicit_language_prefers_manual(fake_yt_dlp, tmp_path, monkeypatch):
     run = fake_yt_dlp(GERMAN_VIDEO, vtt=VTT)
     monkeypatch.setattr(yt.subprocess, "run", run)