.

VERSION

@@ -1 +1 @@
-0.3.1
+0.3.2

docs/razdeljane-na-sekcii.md

@@ -1,6 +1,6 @@
 # Разделяне на произволен текст на секции
 
-Този документ описва **реалното** поведение на RIP Help System при разделяне на help-файл на секции. Източникът е `help_processor.py` след последните корекции (вкл. `merge_short_sections`). Не е маркетингово резюме.
+Този документ описва **реалното** поведение на RIP Help System при разделяне на help-файл на секции. Източникът е `help_processor.py` след последните корекции (вкл. `merge_short_sections` / `merge_preamble_sections`). Не е маркетингово резюме.
 
 Генерирането на ключови думи е **извън обхвата**, освен един ред в края.
 
@@ -18,7 +18,7 @@ python docs/md_to_pdf.py
 
 1. Избира парсер по разширение (`.html` / `.htm`, `.docx`, `.doc`, `.pdf`, `.txt`).
 2. Парсерът връща списък от `Section(title, text, level, images, html_text)`.
-3. Върху списъка се вика `merge_short_sections()`.
+3. Върху списъка се вика `merge_short_sections()`, после `merge_preamble_sections()`.
 4. Празните блокове се филтрират при запис; заглавие без тяло се запазва (виж §8).
 
 ZIP не е формат за разделяне: разопакова се и всеки вътрешен файл минава по същия път.
@@ -29,11 +29,19 @@ ZIP не е формат за разделяне: разопакова се и
 
 ## 2. Какво е граница на секция
 
-**Граница = открито заглавие.** Текущата секция се затваря (`flush`) и започва нова. Текстът на заглавието става `title` и **не** се копира в тялото на секцията.
+**Граница = открито заглавие ниво 1** (H1 / Heading 1 / Заглавие 1) в HTML и DOCX. Текущата секция се затваря (`flush`) и започва нова. Текстът на заглавието става `title` и **не** се копира в тялото на секцията.
 
-Всичко, което не е заглавие — параграфи, списъци, таблици, картинки — се добавя към **текущата** секция. Таблица никога не отваря нова секция.
+В HTML/DOCX **не** отварят нова секция:
 
-Ако преди първото заглавие има съдържание, то образува секция с **празно** `title`.
+- Word **Title** / **Наименование** / CSS `Title` / `MsoTitle` — корица; става заглавие на преамбюла (или ред в тялото, ако вече има съдържание);
+- „**Съдържание**“ / Contents / TOC и еквиваленти — остават в тялото;
+- H2–H6, Subtitle / Подзаглавие, изцяло bold параграфи — влизат като редове в **текущата** секция.
+
+TXT и PDF запазват своите правила (номерирани редове / по-голям шрифт) — там ниво 2 е нормална граница.
+
+Всичко, което не е граница — параграфи, списъци, таблици, картинки — се добавя към **текущата** секция.
+
+Ако преди първото H1 има съдържание (корица, TOC), то образува преамбюл секция (с title от корицата, ако има).
 
 Ако парсерът не открие нито една секция, файлът става **една** секция без заглавие, с целия извлечен текст.
 
@@ -49,32 +57,32 @@ ZIP не е формат за разделяне: разопакова се и
 
 Разпознават се поне:
 
-| Токен (примери) | Ниво |
+| Токен (примери) | Ниво / роля |
 |---|---|
-| Heading 1 / heading1 | 1 |
-| Heading 2 / 3 | 2 / 3 |
-| Title | 1 |
-| Subtitle | 2 |
-| **Заглавие** / **Заглавие 1** | 1 |
-| Заглавие 2 / 3 | 2 / 3 |
-| Подзаглавие | 2 |
-| Наименование | 1 |
-| Überschrift / Überschrift 1 | 1 |
+| Heading 1 / heading1 | 1 — **граница** |
+| Heading 2 / 3 | 2 / 3 — в тялото, не граница |
+| **Title** / MsoTitle / **Наименование** | корица — не граница |
+| Subtitle / Подзаглавие | 2 — в тялото |
+| **Заглавие** / **Заглавие 1** | 1 — **граница** |
+| Заглавие 2 / 3 | 2 / 3 — в тялото |
+| Überschrift / Überschrift 1 | 1 — **граница** |
 | MsoHeading1 / 2 / 3 | 1 / 2 / 3 |
 
-Число над 3 се ограничава до 3. `Subtitle` / `Подзаглавие` без цифра → ниво 2; останалите именувани стилове без цифра → ниво 1.
+Число над 3 се ограничава до 3. `Subtitle` / `Подзаглавие` без цифра → ниво 2; останалите именувани heading-стилове без цифра → ниво 1. **Title** / **Наименование** не връщат ниво за сегментиране.
 
 Ако стилът не е heading, има fallback: Word `outlineLvl` 0–2 **и** текст под 120 символа → ниво = `outlineLvl + 1`.
 
-### 3.2. Bold като заглавие
+### 3.2. Bold като подзаглавие (не граница)
 
-Ако няма стилово ниво, параграфът се приема за заглавие ниво 2, когато:
+Ако няма стилово ниво 1, параграфът се приема за **текст в тялото** (бивш „heading“ ниво 2), когато:
 
 - видимият текст е непразен и ≤ 120 символа;
 - всички run-ове с текст са **bold**;
 - стилът **не** започва с `list`;
 - в параграфа **няма** картинки.
 
+Такъв ред **не** отваря нова секция — остава под текущото H1.
+
 ### 3.3. Таблици и картинки
 
 Таблица: всеки ред се сплесква до `клетка | клетка | клетка` и редовете се добавят в тялото на текущата секция.
@@ -103,9 +111,10 @@ ZIP не е формат за разделяне: разопакова се и
 
 ### 5.1. Заглавие
 
-1. Тагове: `h1`→1, `h2`→2, `h3`–`h6`→3.
-2. CSS class съдържа `heading`, `заглавие`, `title`, `subtitle`, `msoheading` или `überschrift`, с опционална цифра. Така `MsoHeading1` / `MsoNormal` **не** се бъркат: само heading-класовете режат секция. Пример: Word HTML `<p class="MsoHeading1">`.
-3. `p` или `div` с текст < 120 символа, изцяло обвит в `<b>` / `<strong>` → ниво 2.
+1. Тагове: `h1`→ граница (ниво 1); `h2`–`h6`→ в тялото (ниво 2/3).
+2. CSS class с `heading` / `заглавие` / `msoheading` / `überschrift` (+ опционална цифра). `Title` / `MsoTitle` / `наименование` са **корица**, не граница. `subtitle` / `подзаглавие` → в тялото.
+3. `p` или `div` с текст < 120 символа, изцяло обвит в `<b>` / `<strong>` → в тялото (не граница).
+4. Текст „Съдържание“ / Contents / TOC (дори като `h1`) → в тялото на преамбюла.
 
 ### 5.2. Съдържание
 
@@ -142,20 +151,25 @@ ZIP не е формат за разделяне: разопакова се и
 
 ---
 
-## 8. Сливане на кратки секции (`merge_short_sections`)
+## 8. Сливане на кратки секции (`merge_short_sections` / `merge_preamble_sections`)
 
 Константа: `MIN_SECTION_TOKENS = 60` (думи в **тялото**, `str.split()`).
 
-Правило след последните корекции:
+`merge_short_sections`:
 
 - Секция **с непразно заглавие** **не се слива**, дори тялото да е късо или празно.
 - Секция **без заглавие** и с под 60 думи се залепва към предишната (текст, картинки, HTML).
 - Няма предишна секция → късият untitled блок остава сам.
 
+`merge_preamble_sections` (след горното):
+
+- Ако първата секция е корица с късо/празно тяло, а втората е озаглавена „Съдържание“/TOC → сливат се в един преамбюл (title = корицата; TOC заглавието влиза в тялото).
+
 Следствия:
 
-- Последователни заглавия без тяло („Глава 1“ веднага следвано от „1.1 Увод“) остават **две** секции.
-- Къс абзац без заглавие след секция се присъединява към нея, вместо да стане отделен къс запис.
+- Корица + съдържание + първа глава (H1) → **две** секции (не четири от Title / TOC / H1 / H2).
+- Последователни H1 без тяло („Глава 1“ веднага следвано от друг H1) остават **две** секции.
+- H2 / bold подзаглавия („Какво е …?“) не режат секция — остават в тялото на текущото H1.
 - Untitled текст в началото на файла остава отделна секция (докато не е под прага *и* няма към какво да се слее — първият елемент не се слива).
 
 При запис в `process_file()`:

help_processor.py

@@ -562,15 +562,33 @@ _HEADING_TOKEN_RE = re.compile(
     r"(\d+)?$",
     re.I,
 )
+# Word „Title“ / MsoTitle ≠ Heading 1 — корица, не граница на секция.
+_COVER_TITLE_TOKENS = frozenset({
+    "title", "mstotitle", "наименование", "doctitle", "documenttitle",
+})
 _HTML_HEADING_CLASS_RE = re.compile(
-    r"(?:^|[\s_-])(?:heading|заглавие|title|subtitle|msoheading|überschrift)\s*(\d+)?(?:$|[\s_-])",
+    r"(?:^|[\s_-])(?:heading|заглавие|msoheading|überschrift)\s*(\d+)?(?:$|[\s_-])",
+    re.I,
+)
+_HTML_COVER_CLASS_RE = re.compile(
+    r"(?:^|[\s_-])(?:mso)?title(?:\d+)?(?:$|[\s_-])|"
+    r"(?:^|[\s_-])наименование(?:\d+)?(?:$|[\s_-])",
+    re.I,
+)
+_HTML_SUBTITLE_CLASS_RE = re.compile(
+    r"(?:^|[\s_-])(?:subtitle|подзаглавие)(?:\d+)?(?:$|[\s_-])",
+    re.I,
+)
+_TOC_HEADING_RE = re.compile(
+    r"^(съдържание|съдържанието|contents|table of contents|toc|"
+    r"inhaltsverzeichnis|оглавление|содержание)\s*:?\s*$",
     re.I,
 )
 _HEADING_LEVEL = {
     "heading1": 1, "heading2": 2, "heading3": 3, "heading4": 3, "heading5": 3, "heading6": 3,
-    "title": 1, "subtitle": 2, "msoheading1": 1, "msoheading2": 2, "msoheading3": 3,
+    "subtitle": 2, "msoheading1": 1, "msoheading2": 2, "msoheading3": 3,
     "заглавие": 1, "заглавие1": 1, "заглавие2": 2, "заглавие3": 3,
-    "подзаглавие": 2, "наименование": 1,
+    "подзаглавие": 2,
     "überschrift": 1, "überschrift1": 1, "überschrift2": 2, "überschrift3": 3,
 }
 
@@ -579,10 +597,20 @@ def _compact_style_token(s: str) -> str:
     return re.sub(r"[\s_\-]+", "", (s or "").strip().lower())
 
 
+def _is_cover_title_token(token: str) -> bool:
+    return _compact_style_token(token) in _COVER_TITLE_TOKENS
+
+
+def _is_toc_heading(text: str) -> bool:
+    return bool(_TOC_HEADING_RE.match((text or "").strip()))
+
+
 def _heading_level_from_token(token: str) -> Optional[int]:
     t = _compact_style_token(token)
     if not t:
         return None
+    if _is_cover_title_token(t):
+        return None
     if t in _HEADING_LEVEL:
         return _HEADING_LEVEL[t]
     m = _HEADING_TOKEN_RE.match(t) or _HEADING_TOKEN_RE.match((token or "").strip())
@@ -594,21 +622,38 @@ def _heading_level_from_token(token: str) -> Optional[int]:
     kind = (m.group(1) or "").lower()
     if kind in ("subtitle", "подзаглавие"):
         return 2
+    if kind in ("title", "наименование"):
+        return None
     return 1
 
 
-def _docx_heading_level(para) -> Optional[int]:
-    """Heading 1 / Заглавие 1 / style_id / outlineLvl — включително локализиран Word."""
+def _docx_style_tokens(para) -> list[str]:
     style = getattr(para, "style", None)
+    tokens: list[str] = []
     seen: set[int] = set()
     cur = style
     while cur is not None and id(cur) not in seen:
         seen.add(id(cur))
         for token in (getattr(cur, "style_id", None), getattr(cur, "name", None)):
-            lvl = _heading_level_from_token(str(token or ""))
+            if token:
+                tokens.append(str(token))
+        cur = getattr(cur, "base_style", None)
+    return tokens
+
+
+def _docx_is_cover_title(para) -> bool:
+    return any(_is_cover_title_token(t) for t in _docx_style_tokens(para))
+
+
+def _docx_heading_level(para) -> Optional[int]:
+    """Heading 1 / Заглавие 1 / style_id / outlineLvl — включително локализиран Word.
+    Word Title / Наименование не са граница (виж _docx_is_cover_title)."""
+    if _docx_is_cover_title(para):
+        return None
+    for token in _docx_style_tokens(para):
+        lvl = _heading_level_from_token(token)
         if lvl:
             return lvl
-        cur = getattr(cur, "base_style", None)
     try:
         pPr = para._element.pPr
         if pPr is not None and pPr.outlineLvl is not None:
@@ -628,11 +673,28 @@ def _is_bold_heading_text(text: str, runs) -> bool:
     return bool(useful) and all(bool(r.bold) for r in useful)
 
 
+def _html_is_cover_title(el) -> bool:
+    raw = el.get("class") if hasattr(el, "get") else None
+    classes: list[str]
+    if isinstance(raw, str):
+        classes = raw.split()
+    else:
+        classes = list(raw or [])
+    for c in classes:
+        if _is_cover_title_token(c):
+            return True
+    return bool(_HTML_COVER_CLASS_RE.search(" ".join(classes)))
+
+
 def _html_heading_level(el) -> Optional[int]:
     name = (getattr(el, "name", None) or "").lower()
     if name in _HTML_HEADING_MAP:
         return _HTML_HEADING_MAP[name]
     cls = " ".join(el.get("class") or []) if hasattr(el, "get") else ""
+    if _HTML_COVER_CLASS_RE.search(cls):
+        return None
+    if _HTML_SUBTITLE_CLASS_RE.search(cls):
+        return 2
     m = _HTML_HEADING_CLASS_RE.search(cls)
     if m:
         n = m.group(1)
@@ -703,7 +765,7 @@ def parse_html(path: Path) -> list[Section]:
     blocks   = []
     for el in body.find_all(_HTML_BLOCK_TAGS + ["img", "div"]):
         name = (el.name or "").lower()
-        if name == "div" and not _html_heading_level(el):
+        if name == "div" and not _html_heading_level(el) and not _html_is_cover_title(el):
             continue
         if any(id(par) in consumed for par in el.parents):
             continue
@@ -725,12 +787,38 @@ def parse_html(path: Path) -> list[Section]:
             sec.html_text = "\n".join(sec_html) if sec_html else None
             sections.append(sec)
 
+    def append_block_as_body(el):
+        _swap_imgs_in_block(el, base_dir, sec_images, img_counter)
+        _strip_attrs(el)
+        txt = _html_block_plain_text(el)
+        if txt:
+            sec_text.append(txt)
+        try:
+            sec_html.append(str(el))
+        except Exception:
+            pass
+
     for el in blocks:
-        heading_lvl = _html_heading_level(el)
-        if heading_lvl:
         txt = el.get_text(" ", strip=True)
+        is_cover = _html_is_cover_title(el)
+        heading_lvl = _html_heading_level(el)
+
+        # Корица (Word Title / class Title): заглавие на преамбюла, без нова секция
+        if is_cover and txt:
+            if not current_title and not sec_text and not sec_html and not sec_images:
+                current_title = txt
+                current_level = 1
+            else:
+                append_block_as_body(el)
+            continue
+
+        if heading_lvl:
             if not txt:
                 continue
+            # TOC и H2+ остават в тялото — граница само при H1 / Заглавие 1
+            if _is_toc_heading(txt) or heading_lvl >= 2:
+                append_block_as_body(el)
+                continue
             flush()
             current_title = txt
             current_level = heading_lvl
@@ -742,21 +830,13 @@ def parse_html(path: Path) -> list[Section]:
             _swap_imgs_in_block(el.parent if el.parent and el.parent.name else el,
                                 base_dir, sec_images, img_counter)
             # ако е заменен с placeholder, добавяме като текст
-            txt = el.get_text(" ", strip=True) if el.name else ""
-            if txt:
-                sec_text.append(txt)
-                sec_html.append(f"<p>{txt}</p>")
+            img_txt = el.get_text(" ", strip=True) if el.name else ""
+            if img_txt:
+                sec_text.append(img_txt)
+                sec_html.append(f"<p>{img_txt}</p>")
             continue
 
-        _swap_imgs_in_block(el, base_dir, sec_images, img_counter)
-        _strip_attrs(el)
-        txt = _html_block_plain_text(el)
-        if txt:
-            sec_text.append(txt)
-        try:
-            sec_html.append(str(el))
-        except Exception:
-            pass
+        append_block_as_body(el)
 
     flush()
 
@@ -852,19 +932,55 @@ def parse_docx(path: Path) -> list[Section]:
         if not text and not para_imgs:
             continue
 
+        is_cover = _docx_is_cover_title(para)
         level = _docx_heading_level(para)
         is_bold_heading = (
             not level
+            and not is_cover
             and _is_bold_heading_text(text, para.runs)
             and not style_name.startswith("list")
             and not para_imgs
         )
 
-        if level or is_bold_heading:
+        # Корица (Word Title): заглавие на преамбюла, без нова секция
+        if is_cover and text:
+            if not current_title and not buf and not sec_images:
+                current_title = text
+                current_level = 1
+            else:
+                buf.append(text)
+            for im in para_imgs:
+                img_counter[0] += 1
+                im.placeholder = f"img_{img_counter[0]:02d}"
+                sec_images.append(im)
+                buf.append(f"[IMG: {im.placeholder}]")
+            continue
+
+        # TOC и H2+/bold остават в тялото — граница само при Heading 1 / Заглавие 1
+        if text and _is_toc_heading(text):
+            buf.append(text)
+            for im in para_imgs:
+                img_counter[0] += 1
+                im.placeholder = f"img_{img_counter[0]:02d}"
+                sec_images.append(im)
+                buf.append(f"[IMG: {im.placeholder}]")
+            continue
+
+        if (level or 0) >= 2 or is_bold_heading:
+            if text:
+                buf.append(text)
+            for im in para_imgs:
+                img_counter[0] += 1
+                im.placeholder = f"img_{img_counter[0]:02d}"
+                sec_images.append(im)
+                buf.append(f"[IMG: {im.placeholder}]")
+            continue
+
+        if level == 1:
             flush()
             buf, sec_images = [], []
             current_title = text
-            current_level = level or 2
+            current_level = 1
             continue
 
         if text:
@@ -1268,6 +1384,29 @@ def merge_short_sections(sections: list[Section]) -> list[Section]:
     return result
 
 
+def merge_preamble_sections(sections: list[Section]) -> list[Section]:
+    """Слива корица (Title) + „Съдържание“/TOC в един преамбюл, ако парсерът ги е разделил."""
+    if len(sections) < 2:
+        return sections
+    first, second = sections[0], sections[1]
+    first_words = len((first.text or "").split())
+    if not (first.title or "").strip():
+        return sections
+    if first_words >= MIN_SECTION_TOKENS:
+        return sections
+    if not _is_toc_heading(second.title or ""):
+        return sections
+
+    body_parts = [p for p in (second.title, second.text) if (p or "").strip()]
+    if (first.text or "").strip():
+        body_parts.append(first.text.strip())
+    merged = Section(first.title, "\n".join(body_parts).strip(), first.level)
+    merged.images = (first.images or []) + (second.images or [])
+    html_parts = [h for h in (first.html_text, second.html_text) if h]
+    merged.html_text = "\n".join(html_parts) if html_parts else None
+    return [merged] + list(sections[2:])
+
+
 def clean_text(text: str) -> str:
     """Collapse spaces/tabs but keep newlines (lists, paragraphs)."""
     text = text.replace("\r\n", "\n").replace("\r", "\n")
@@ -1504,6 +1643,7 @@ def process_file(
         return _file_result(rel, file_index, existing_codes, saved=0)
 
     sections = merge_short_sections(sections)
+    sections = merge_preamble_sections(sections)
 
     remove_section_outputs(
         output_dir,

tests/fixtures/nespertcam_launcher_preamble.html

@@ -0,0 +1,22 @@
+<!DOCTYPE html>
+<html>
+<head><meta charset="utf-8"></head>
+<body>
+<p class="Title"><b>NESPERTCAM Launcher - Пълно ръководство на потребителя</b></p>
+<p><b>Съдържание</b></p>
+<ol>
+<li><a href="#1">1. Преглед на приложението</a></li>
+<li><a href="#2">2. Инсталация и настройка</a></li>
+<li><a href="#3">3. Конфигурация и настройки</a></li>
+<li><a href="#4">4. Използване и функции</a></li>
+<li><a href="#5">5. Описание на интерфейса</a></li>
+<li><a href="#6">6. Решаване на проблеми</a></li>
+<li><a href="#7">7. Разширени функции</a></li>
+<li><a href="#8">8. Технически детайли</a></li>
+<li><a href="#9">9. Поддръжка и контакти</a></li>
+</ol>
+<h1>1. Преглед на приложението</h1>
+<p><b>Какво е NESPERTCAM Launcher?</b></p>
+<p>NESPERTCAM Launcher е специализирано Windows приложение, предназначено за лесно и удобно стартиране на NESPERTCAM64.exe и свързаните с него модули от едно място.</p>
+</body>
+</html>

tests/test_section_split_preamble.py

@@ -0,0 +1,80 @@
+"""Корица + Съдържание + глава 1 → 2 секции (не 4)."""
+from pathlib import Path
+
+from help_processor import (
+    merge_preamble_sections,
+    merge_short_sections,
+    parse_html,
+    Section,
+)
+
+FIXTURE = Path(__file__).parent / "fixtures" / "nespertcam_launcher_preamble.html"
+
+
+def _titles(sections):
+    return [s.title for s in sections]
+
+
+def test_nespertcam_preamble_yields_two_sections():
+    sections = merge_preamble_sections(merge_short_sections(parse_html(FIXTURE)))
+    assert len(sections) == 2
+    assert sections[0].title == "NESPERTCAM Launcher - Пълно ръководство на потребителя"
+    assert sections[1].title == "1. Преглед на приложението"
+    assert "Съдържание" in sections[0].text
+    assert "1. Преглед на приложението" in sections[0].text
+    assert "Какво е NESPERTCAM Launcher?" in sections[1].text
+    assert "NESPERTCAM64.exe" in sections[1].text
+
+
+def test_h2_and_bold_do_not_split_inside_chapter():
+    html = Path(__file__).parent / "fixtures" / "_tmp_h2.html"
+    html.write_text(
+        """<!DOCTYPE html><html><body>
+        <h1>Глава А</h1>
+        <h2>Подточка</h2>
+        <p>Текст под подточката с достатъчно думи за тяло.</p>
+        <p><b>Още едно bold подзаглавие</b></p>
+        <p>Още текст в същата секция.</p>
+        <h1>Глава Б</h1>
+        <p>Тяло на втората глава.</p>
+        </body></html>""",
+        encoding="utf-8",
+    )
+    try:
+        sections = merge_preamble_sections(merge_short_sections(parse_html(html)))
+        assert _titles(sections) == ["Глава А", "Глава Б"]
+        assert "Подточка" in sections[0].text
+        assert "Още едно bold подзаглавие" in sections[0].text
+    finally:
+        html.unlink(missing_ok=True)
+
+
+def test_toc_heading_as_h1_merges_into_cover():
+    """Ако „Съдържание“ е H1, merge_preamble го залепва към корицата."""
+    secs = [
+        Section("Ръководство X", "", 1),
+        Section("Съдържание", "1. Увод\n2. Край", 1),
+        Section("1. Увод", "Текст на увода.", 1),
+    ]
+    merged = merge_preamble_sections(secs)
+    assert len(merged) == 2
+    assert merged[0].title == "Ръководство X"
+    assert "Съдържание" in merged[0].text
+    assert merged[1].title == "1. Увод"
+
+
+def test_heading1_chapters_still_split():
+    html = Path(__file__).parent / "fixtures" / "_tmp_chapters.html"
+    html.write_text(
+        """<!DOCTYPE html><html><body>
+        <h1>1. Първа</h1><p>Аа аа аа.</p>
+        <h1>2. Втора</h1><p>Бб бб бб.</p>
+        <h1>3. Трета</h1><p>Вв вв вв.</p>
+        </body></html>""",
+        encoding="utf-8",
+    )
+    try:
+        sections = merge_preamble_sections(merge_short_sections(parse_html(html)))
+        assert _titles(sections) == ["1. Първа", "2. Втора", "3. Трета"]
+    finally:
+        html.unlink(missing_ok=True)