` befreien** (html.parser-Bug-Fix) 1. Excessive Margins (>30pt, ≥5%) + justify entfernen 2. Bold `

` mit Sektionsnummern → h2/h3/h4, Heading-Level-Korrektur 3. Silbentrennung reparieren 4. Serif-Fonts → Arial 5. Font-Family auf ALLE Elemente 6. Gebrochene Absätze zusammenführen 7. Em-Dash-Listen → disc bullets 8. Padding von Paragraphen/Headings außerhalb Tabellen entfernen 8b. **Hierarchische Einrückung** (hängende Einzüge für h2/h3/h4 + Content) 9. Tabellen-Borders + Backgrounds (Definition-Tables 9b, Category-Tables 9c) 9d. **Seitenübergreifende Tabellen zusammenführen** (gleiche Spaltenanzahl, keine Überschrift dazwischen) 10. Wingdings → Unicode ♦ 11. Fehlende CSS-Semikolons reparieren 12. Doppelte Semikolons bereinigen **Pipeline:** strip_invalid_image_refs → strip_toc_from_content → normalize_content_structure → normalize_font_sizes → make_content_left_aligned **Font-Sizes:** h1=16pt, h2=12pt, h3/h4=11pt, p/li=11pt, footer=8pt **Tabellen-Farben:** detected_type="va" → #E6B8B7, detected_type="standard" → #B8CCE4 **Gemini-Kontext:** Erste Tabellen-Hintergrundfarbe wird an Folgeseiten-Prompts übergeben (±5% Toleranz) **Dokumenttitel:** h1 aus Titelseite (text_by_page[1]) + Untertitel 11pt, KEINE Bilder. Ausnahme: "1. Inhaltsverzeichnis" im TOC → kein h1, Titel wird h2 "1. ". --- ## Bekannte Pitfalls ### KRITISCH: soup.find('body') bei HTML-Fragmenten `merge_chunked_html()` liefert HTML OHNE `` Tag! Fix: `body = soup.find('body') or soup` — dann funktioniert `body.children` auch ohne ``. ### `` bei Tabellen (Step 9) `table.find_all('tr', recursive=False)` gibt 0 zurück wenn `` existiert! Fix: `tbody = table.find('tbody', recursive=False); row_container = tbody if tbody else table` ### strip_toc_from_content — Absolute Positioning Rule 5: NICHT `.decompose()`! Nur CSS-Properties `position: absolute`, `top`, `left`, `right`, `bottom` strippen. ### CSS-Semikolons (Step 11) Gemini generiert `text-align: left font-weight: bold` (fehlt `;`). Regex erkennt CSS-Properties ohne vorangehendes `;`. ### KRITISCH: html.parser nestet Block-Elemente in `

`! ```html

text

→ BS4 parsed als:

enthält

als Kind! ``` **Effekt:** Step 6 `current.clear()` zerstört das nested `

`. **Fix:** Step 0 extrahiert Block-Elemente aus `

` Tags: ```python block_tags = {'div', 'table', 'h1',...,'blockquote'} for p_tag in soup.find_all('p'): block_children = [c for c in p_tag.children if c.name in block_tags] for block in block_children: block.extract(); p_tag.insert_after(block) ``` Zusätzlich: Safety-Guards in Step 3 + Step 6: ```python if current.find(['div', 'table', 'img'], recursive=False): continue ``` ### BeautifulSoup decomposed Elements Fix: `if hasattr(el, 'decomposed') and el.decomposed or el.parent is None: continue` ### Isoliertes Post-Processing Testen ```python docker exec n8n-doc-converter python3 -c " import sys; sys.path.insert(0, '/app') from server import normalize_content_structure html = open('/data/bsp/7787ddc0_test15/content.html').read() result = normalize_content_structure(html, detected_type='standard') open('/data/bsp/7787ddc0_test15/content.html', 'w').write(result) " ``` Spart ~$0.17 pro Test. ### Step 8b: Hierarchische Einrückung ``` HEADING_INDENT = { 'h2': margin-left:0, padding-left:10pt, text-indent:-10pt 'h3': margin-left:10pt, padding-left:12pt, text-indent:-12pt 'h4': margin-left:22pt, padding-left:14pt, text-indent:-14pt } CONTENT_MARGIN = { 'h2':10pt, 'h3':22pt, 'h4':36pt } ``` Iteriert über direkte Children von body/soup, trackt `current_heading_level`. **PITFALL:** `collect_elements()` muss in Wrapper-`

`s absteigen (ohne class), da `merge_chunked_html()` + Titel-Insertion Content in `

` wrappen kann.