.

docs/razdeljane-na-sekcii.md

@@ -0,0 +1,195 @@
+# 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.
+
+Генерирането на ключови думи е **извън обхвата**, освен един ред в края.
+
+За да прегенерираш PDF-а:
+
+```
+python docs/md_to_pdf.py
+```
+
+---
+
+## 1. Място в обработката
+
+За всеки файл `process_file()` прави:
+
+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()`.
+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.
+
+Нива: `1` = H1, `2` = H2, `3` = H3 (по-дълбоки HTML/Word заглавия се режат до 3), `0` = без заглавие.
+
+---
+
+## 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.
+
+Всичко, което не е заглавие — параграфи, списъци, таблици, картинки — се добавя към **текущата** секция. Таблица никога не отваря нова секция.
+
+Ако преди първото заглавие има съдържание, то образува секция с **празно** `title`.
+
+Ако парсерът не открие нито една секция, файлът става **една** секция без заглавие, с целия извлечен текст.
+
+---
+
+## 3. Word (.docx)
+
+Обхождат се децата на `w:body` в document-order: параграфи **и** таблици (`_iter_docx_blocks`). Стандартният `Document.paragraphs` пропуска таблиците, затова не се ползва за сегментиране.
+
+### 3.1. Стилово заглавие
+
+`_docx_heading_level()` гледа `style_id` и `style.name`, после `base_style` нагоре по веригата. Токенът се нормализира (без интервали, `_`, `-`, без значение на регистъра).
+
+Разпознават се поне:
+
+| Токен (примери) | Ниво |
+|---|---|
+| 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 |
+| 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.
+
+Ако стилът не е heading, има fallback: Word `outlineLvl` 0–2 **и** текст под 120 символа → ниво = `outlineLvl + 1`.
+
+### 3.2. Bold като заглавие
+
+Ако няма стилово ниво, параграфът се приема за заглавие 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.
+
+### 3.3. Таблици и картинки
+
+Таблица: всеки ред се сплесква до `клетка | клетка | клетка` и редовете се добавят в тялото на текущата секция.
+
+Картинки в параграф: записват се като `[IMG: img_NN]` в същото тяло.
+
+Празен параграф без картинка се пропуска.
+
+### 3.4. Fallback
+
+Ако след обхождането няма секции: една секция от всички непразни параграфи; ако и те са празни — от таблиците.
+
+---
+
+## 4. Стар .doc
+
+Конвертира се към `.docx` с LibreOffice (`soffice`) или, на Windows, MS Word през COM. После се вика същият `parse_docx`. Ако и двете конверсии пропаднат, файлът се чете като обикновен текст (`parse_txt`).
+
+---
+
+## 5. HTML / HTM (вкл. Word „Запиши като уеб“)
+
+Премахват се `script`, `style`, `nav`, `footer`, `header`, `noscript`.
+
+Събират се **top-level** блокове: `h1`–`h6`, `p`, `ul`, `ol`, `table`, `dl`, `pre`, `blockquote`, `figure`, `hr`, самостоятелни `img`, и `div` **само** ако изглежда като заглавие. Вложен блок не се обработва втори път.
+
+### 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.
+
+### 5.2. Съдържание
+
+Списъци и таблици влизат в текущата секция. В plain text редовете им са с нов ред (не сплескани в един ред). Декоративни атрибути (`class`, `style`, `on*`, `data-*` …) се махат от запазения HTML.
+
+Картинки: локални и `data:` URI; HTTP(S) се пропускат. Дребни иконки под 50×50 px се изхвърлят.
+
+Ако няма нито една секция: цялото `body` като една секция без заглавие.
+
+---
+
+## 6. Обикновен текст (.txt)
+
+Кодирането се детектира с chardet.
+
+Ред е граница, ако след `strip()`:
+
+- съвпада с Markdown заглавие `#{1,3} текст` — нивото е броят `#`, заглавието е текстът след тях; **или**
+- съвпада с номерирано заглавие: `1. …`, `2) …`, `I. …`, `А. …` (1–2 цифри / римски / една главна буква, после `.` или `)`), дължина на реда < 120.
+
+Всички останали редове отиват в тялото (десният край се реже, водещите интервали се пазят).
+
+Ако няма такива редове: **една** секция с целия файл.
+
+---
+
+## 7. PDF
+
+Няма стилове. Текстът се събира като визуални редове по Y (не по PDF stream), буквите от drop-cap се слепват, сплескани списъци от вида `1 Foo 2 Bar` се разбиват на редове.
+
+Граница: група редове с почти еднакъв размер на шрифта, ако размерът е **по-голям от предишния с повече от 1 pt** и текстът е **под 150 символа** → нова секция, ниво 2.
+
+Това е по-ненадеждно от Word/HTML. Картинките се кропват от страницата и се редят в текущата секция по вертикална позиция.
+
+---
+
+## 8. Сливане на кратки секции (`merge_short_sections`)
+
+Константа: `MIN_SECTION_TOKENS = 60` (думи в **тялото**, `str.split()`).
+
+Правило след последните корекции:
+
+- 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.
+
+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.
+- 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()`:
+
+- Ако няма текст, картинки и HTML, но има заглавие → тялото става самото заглавие. Затова „голо“ заглавие оцелява като секция.
+- Ако няма нито текст, нито заглавие, нито картинки → секцията се пропуска.
+
+`clean_text()` срива поредици от интервали/табове, но пази нови редове (списъци и абзаци).
+
+---
+
+## 9. Текст без заглавие
+
+Типични случаи:
+
+- Увод преди първия Heading 1.
+- HTML/DOCX без нито едно разпознато заглавие → целият файл е една untitled секция.
+- TXT без markdown/номерация.
+- Къс untitled остатък след заглавие се слива с предишната секция (§8).
+
+Празното `title` по-късно се попълва от класификатора (извън този документ).
+
+---
+
+## 10. Таблици — обобщение
+
+| Формат | Поведение |
+|---|---|
+| DOCX | Редове `a \| b \| c` в текущата секция; не са граница |
+| HTML | Целият `<table>` е блок в текущата секция |
+| TXT / PDF | Няма отделен table parser; таблицата е просто текст/редове |
+
+---
+
+## 11. Ключови думи (един ред)
+
+След като секциите са вече разделени, всяка получава заглавие и ключови думи чрез Claude или fallback; ръчните думи от таб „Сканиране“ се записват първи във всяка секция.