diff options
Diffstat (limited to 'src/main')
3 files changed, 42 insertions, 6 deletions
diff --git a/src/main/java/eu/mulk/aendggner/aenderung/parse/StellenParser.java b/src/main/java/eu/mulk/aendggner/aenderung/parse/StellenParser.java index 473eb14..786c812 100644 --- a/src/main/java/eu/mulk/aendggner/aenderung/parse/StellenParser.java +++ b/src/main/java/eu/mulk/aendggner/aenderung/parse/StellenParser.java @@ -133,7 +133,7 @@ public final class StellenParser { i++; } case "Teil", "Teils", "Buch", "Buches", "Kapitel", "Kapitels", "Abschnitt", "Abschnitts", - "Unterabschnitt", "Unterabschnitts", "Anlage", "Anlagen" -> { + "Unterabschnitt", "Unterabschnitts" -> { var wert = naechstesWort(woerter, i); if (wert == null || !NUMMER_WERT.matcher(wert).matches()) { return Optional.empty(); @@ -141,6 +141,23 @@ public final class StellenParser { komponenten.add(new Stelle.Gliederungseinheit(gliederungsArt(wort), wert)); i++; } + case "Anlage", "Anlagen" -> { + var wert = naechstesWort(woerter, i); + if (wert != null && NUMMER_WERT.matcher(wert).matches()) { + komponenten.add(new Stelle.Gliederungseinheit("Anlage", wert)); + i++; + continue; + } + // „die Anlage zu § 2 Absatz 4 Satz 1“ — ein Gesetz mit einer einzigen Anlage benennt sie + // nach der Vorschrift, zu der sie gehört. Wie beim „Anhang“ trägt sie dann die enbez + // „Anlage“; der Zusatz identifiziert sie nur und ist nicht selbst Änderungsziel. Er + // reicht bis zum Ende der Stellenangabe und wird deshalb übersprungen — sonst läse der + // Parser das darin genannte „§ 2“ als Ziel und änderte die falsche Norm. + komponenten.add(new Stelle.Gliederungseinheit("Anlage", "")); + if ("zu".equals(wert)) { + i = woerter.length; + } + } case "Anhang" -> komponenten.add(new Stelle.Gliederungseinheit("Anhang", "")); case "Inhaltsübersicht" -> komponenten.add(new Stelle.Inhaltsuebersicht()); case "Überschrift" -> komponenten.add(new Stelle.Ueberschrift()); diff --git a/src/main/java/eu/mulk/aendggner/aenderung/parse/TextBereiniger.java b/src/main/java/eu/mulk/aendggner/aenderung/parse/TextBereiniger.java index d0e37f8..fc54554 100644 --- a/src/main/java/eu/mulk/aendggner/aenderung/parse/TextBereiniger.java +++ b/src/main/java/eu/mulk/aendggner/aenderung/parse/TextBereiniger.java @@ -206,12 +206,19 @@ public final class TextBereiniger { private static final Pattern SACHNUMMER_MIT_LEERZEICHEN = Pattern.compile("(§|Art\\.) (\\d+) ([a-z])(?![a-zäöüß).])"); + /** C0-Steuerzeichen außer Tabulator und Zeilenumbruch; im Fließtext stets Extraktionsmüll. */ + private static final Pattern STEUERZEICHEN = Pattern.compile("[\\x00-\\x08\\x0B\\x0C\\x0E-\\x1F]"); + private TextBereiniger() {} public static String bereinige(String rohText) { // Geschützte Leerzeichen (GVBl-Satz: „§ 1“, „Abs. 2“) sind für Javas \s und // String.strip unsichtbar — früh auf gewöhnliche Leerzeichen normalisieren. var text = rohText.replace(' ', ' ').replace(' ', ' '); + // Steuerzeichen aus fehlgeleiteten Glyphenzuordnungen (im GVBl. für Berlin trägt der Einzug + // der Aufzählungsglieder ein U+0007). Sie sind unsichtbar, stehen aber vor dem Befehlstext und + // ließen dessen Zeilenanfangs-Anker ins Leere greifen. + text = STEUERZEICHEN.matcher(text).replaceAll(""); text = normalisiereAnfuehrungszeichen(text); text = INVERTIERTES_ZITAT.matcher(text).replaceAll("$1„($2) "); text = INVERTIERTES_PARAGRAPH_ZITAT.matcher(text).replaceAll("$1„$2"); @@ -290,6 +297,12 @@ public final class TextBereiniger { .replace("undwird ", "und wird ") .replace("Kommaeingefügt", "Komma eingefügt") .replace("Kommaersetzt", "Komma ersetzt") + // Umgekehrter Satzfehler: ein Leerzeichen mitten in der Befehlsvokabel („ein ge-“ + + // „fügt“ → „ein gefügt“, GVBl. Berlin 2026/17). Nur Fügungen, die als Wortfolge im + // Deutschen nicht vorkommen — „er setzt“ etwa bliebe unangetastet. + .replace("ein gefügt", "eingefügt") + .replace("an gefügt", "angefügt") + .replace("auf gehoben", "aufgehoben") // Kontextrahmen, an den der folgende Unterpunkt geklebt wurde („geändertaa) In …“). .replaceAll("(wie folgt geändert:?)(?=[a-z]{1,3}\\)|\\d+[a-z]?\\.)", "$1\n"); } diff --git a/src/main/resources/sampledata/Landesrecht-Beispiele.adoc b/src/main/resources/sampledata/Landesrecht-Beispiele.adoc index 482ceac..00cb08b 100644 --- a/src/main/resources/sampledata/Landesrecht-Beispiele.adoc +++ b/src/main/resources/sampledata/Landesrecht-Beispiele.adoc @@ -106,7 +106,8 @@ folgt geändert"). abgeglichen. Die übrigen Artikel (WDR-Gesetz, Landesmediengesetz, 17. RÄStV-AusfG) bleiben offen. * *Berlin* ist bis zur Befehlserkennung umgesetzt (`EndToEndTest.asogLafAendGBerlin`): Artikel 2 (LAF-Errichtungsgesetz) wird vollständig erkannt, beide Punkte erben ihr Ziel aus der - Änderungsformel. Artikel 1 bleibt offen — er ändert eine Anlage (siehe „Noch offen“). + Änderungsformel. Von Artikel 1 werden drei der vier Befehle erkannt, einschließlich der + Änderungen an der unnummerierten Anlage; der vierte nutzt einen Wortanker (siehe „Noch offen“). * Baden-Württemberg (GBl 2026 Nr. 26): großes Anlage-lastiges Änderungsgesetz (§§ 4–57a + Anlagen 1/3b/4b); Stammfassung/Akzeptanztest noch offen. @@ -121,10 +122,15 @@ folgt geändert"). vom 05.02.2025 eingefügt). Auch die archivierten Einzelnorm-Seiten (113 Stück) sind bereits SPA-Hüllen ohne Inhalt. Ein voller Akzeptanztest bleibt daher offen, bis die konsolidierte Fassung aus einer anderen Quelle vorliegt. -* *Anlagen als Änderungsziel*: Berlin Artikel 1 („Die Anlage zu § 2 Absatz 4 Satz 1 wird wie folgt - geändert“ mit Unterpunkten auf „Nummer 23 Absatz 4a“) und Baden-Württemberg (Anlagen 1/3b/4b) - scheitern an derselben Stelle: ÄndGgner modelliert Anlagen nicht als eigene Einheiten mit - interner Nummern-Gliederung. Das ist die größte verbleibende Modelllücke im Landesrecht. +* *Anlagen im kanonischen Klartext*: Anlagen sind als Änderungsziel unterstützt — im gii-XML sind + sie eigene Normen („Anlage 8“, „Anhang“), und `Stelle.anlagenEnbez()` löst sie auf; im GEG werden + anlagenbezogene Befehle angewandt. Der `LandesRechtTextParser` kennt jedoch nur „§“- und + „Art.“-Normköpfe: Eine handgepflegte Stammfassung kann *keine* Anlage tragen. Das ist die + konkrete Lücke für Berlin (Artikel 1) und Baden-Württemberg (Anlagen 1/3b/4b) — sie wird erst + behebbar, wenn für eines der beiden eine Stammfassung vorliegt. +* *Struktureinfügung mit Wortanker*: „Vor den Wörtern „Aus dem Bereich Verkehr:“ wird folgender + Absatz 5 eingefügt“ (Berlin Artikel 1 Nr. 2 b) bb)) — die Position der neuen Einheit bestimmt + ein Wortanker statt einer Stellenangabe. `StrukturEinfuegung` trägt bislang nur eine Stelle. * *Unbalancierte Anführungszeichen innerhalb eines Artikels*: Die Strukturgrenze des Zitatextraktors greift nur an Artikel-Überschriften. In Berlin Artikel 1 fehlt bei Nummer 2 b) bb) das schließende Anführungszeichen; das Zitat verschlingt daher die folgenden Punkte cc) und c). |