diff options
Diffstat (limited to 'FASSUNGEN.txt')
| -rw-r--r-- | FASSUNGEN.txt | 66 |
1 files changed, 45 insertions, 21 deletions
diff --git a/FASSUNGEN.txt b/FASSUNGEN.txt index d3195bb..9ea3b7e 100644 --- a/FASSUNGEN.txt +++ b/FASSUNGEN.txt @@ -32,7 +32,7 @@ UWG-Anhang) sowohl im PDF-Extraktor als auch im XML-Flattener vereinheitlicht. Artikel 1 -Geometrische Spaltenbreiten-Klassifikation für markerlose Zeilenumbrüche +Geometrische Klassifikation der Zeilenenden nach Ausrichtungs-Clustern Der Textbereiniger (TextBereiniger.verbindeUmbrueche) zog eine Zeile, die ohne Leerraum am Ende mit einem Buchstaben schließt und deren Folgezeile klein @@ -41,37 +41,61 @@ Annahme, es handle sich um eine bei der PDF-Extraktion um den Bindestrich gebrachte Silbentrennung. Diese Annahme trifft auf einen bewussten Wortgrenzen- Umbruch (etwa das Stichwort einer hängend eingerückten Definition, wie er im Anhang zum UWG vorkommt) nicht zu. Zur Behebung bestimmt der PDF-Vorverarbeiter -(FontgroessenFilter) das geometrische End-X der Zeilenläufe und klassifiziert -die Zeilenenden anhand des lokalen rechten Randes (90. Perzentil in einem -Fenster von 20 Zeilen davor/danach) in weiche (am Rand endende), harte (deutlich -davor endende) oder unklassifizierte Umbrüche. Der Textbereiniger zieht nur noch -geometrisch weiche oder (in Ermangelung von Geometriedaten als Rückfalloption) -zeichenzahlnäherungsweise am Rand liegende markerlose Umbrüche zusammen. Harte -Umbrüche bleiben als gewollte Wortgrenzen-Umbrüche erhalten. +(FontgroessenFilter) das geometrische End-X jeder Zeile (unter Flush auch am +Seitenende, damit die letzte Zeile einer Seite nicht die erste der Folgeseite +verfälscht) und klassifiziert die Zeilenenden anhand von Ausrichtungs-Clustern +in einem Fenster von 20 Zeilen davor/danach: Ein Zeilenende ist weich, wenn +mindestens fünf Fensterzeilen (auf vier Punkt genau) gleich ausgerichtet enden +(Satzspiegelrand des Blocksatzes), und hart, wenn ein solcher Rand mindestens +zehn Punkt oberhalb des Zeilenendes verläuft — dort wäre noch Platz gewesen, +der Umbruch ist mithin gewollt. Cluster statt eines Fenster-Perzentils, weil am +Spaltenwechsel des zweispaltigen alten Bundesgesetzblatts beide Spaltenränder +in ein Fenster fallen; maßgeblich ist der Rand, an dem die Zeile selbst +ausgerichtet ist. Der Textbereiniger zieht markerlose Umbrüche nur noch bei +weichen Zeilenenden zusammen (in Ermangelung von Geometriedaten näherungsweise +nach Zeichenzahl wie bisher), nie jedoch vor einer Folgezeile, die mit einem +Aufzählungsmarker („d)“, „3.“) beginnt. Artikel 2 +Zusammenzug weicher und Erhaltung harter Umbrüche + +Nach den Einzelzusammenzügen fügt der Textbereiniger geometrisch weiche +Zeilenenden mit einem Leerzeichen zu Fließtext zusammen (Reflow); harte und +unklassifizierte Umbrüche bleiben erhalten. Nach der Bereinigung ist damit +jeder verbleibende Zeilenumbruch nach bester Einschätzung beabsichtigt, weshalb +die Zitat-Normalisierung des Befehlsanwenders (normalisiereZitatText) Umbrüche +nicht mehr zu Leerzeichen faltet. Ausgenommen vom Reflow sind Strukturzeilen +(„Artikel 2“, „§ 19“, allein stehende Gliederungs-Bezeichnungen): Gleich +breite, zentrierte Überschriften in Serie bilden ein Schein-Cluster, der Parser +benötigt sie jedoch allein auf der Zeile. + + +Artikel 3 Strukturierung und Normalisierung hängend eingerückter Definitionslisten Damit die nunmehr erhaltenen hängenden Zeilenenden in Definitionslisten (wie -beim UWG-Anhang) korrekt strukturiert werden: -1. Der Befehlsanwender (BefehlAnwender.normalisiereZitatText) unterwirft nunmehr - auch die stellenlose Neufassung (z.B. eines Satzes) der Zitat-Normalisierung - und rückt fortlaufende Zeilen innerhalb eines Aufzählungspunktes tiefer - (vier Leerzeichen) ein als den Aufzählungspunkt selbst (zwei Leerzeichen). -2. Der XML-Flattener (ContentFlattener) trennt mehrere <LA>-Geschwister innerhalb - eines <DD>-Elements durch Zeilenumbrüche und rückt sie tiefer ein. -Beide Wege erzeugen dieselbe kanonische Zeilenform, welche für die korrekte -Erkennung von Kindzeilen durch die Stellenauflösung erforderlich ist. +beim UWG-Anhang oder in § 2 IfSG) korrekt strukturiert werden: +1. Der XML-Flattener (ContentFlattener) trennt mehrere <LA>-Geschwister innerhalb + eines <DD>-Elements durch Zeilenumbrüche und rückt die Folgezeilen tiefer ein + als die Aufzählungszeile (Kindzeilen der Einheit für die Stellenauflösung). +2. Der Befehlsanwender rückt beim Einsetzen von Zitattext (rueckeZitatEin) + Fortsetzungszeilen zwei Zeichen tiefer ein als die Aufzählungszeile. +Beide Wege erzeugen dieselbe kanonische Zeilenform („ 2a. Stichwort“ nebst +„ Definitionstext“), welche für die korrekte Erkennung von Kindzeilen durch +die Stellenauflösung (StellenAufloeser.zeilenBlock) erforderlich ist. Schlussbestimmung Die vorstehenden Änderungen sind durch die Prüfung sämtlicher Testfälle (einhun- -dertvierundsiebzig an der Zahl) sowie durch die vollständige Erstellung (mvnw -verify) bestätigt worden. Anlass war ein anhand der UWG-Novelle 2026 gemeldeter -Wiedergabefehler; die Behebung wurde anhand der Beispieldaten (UWG-Anhang, -Nummern 2a sowie 4a bis 4c) verifiziert. +dertneunundsiebzig an der Zahl), durch die vollständige Erstellung (mvnw verify) +sowie durch einen Vorher-nachher-Vergleich sämtlicher einundzwanzig Beispiel- +kombinationen (UWG, AGG, ProdHaftG, GEG, IfSG; Anwendungs- und Prüfzahlen +durchgehend unverändert) bestätigt worden. Anlass war ein anhand der UWG-Novelle +2026 gemeldeter Wiedergabefehler (verklebte Kurzüberschriften im Anhang, auch in +der Grundvorschrift); die Behebung wurde anhand der Beispieldaten (UWG-Anhang, +Nummern 2a, 4c sowie 22; § 2 IfSG) verifiziert. ════════════════════════════════════════════════════════════════════════════════ |