fix: Seitenanker aus PDF-Druckseiten (/PageLabels) + 3 kleine Pipeline-Bugs#79
Open
TillQuandel wants to merge 3 commits into
Open
fix: Seitenanker aus PDF-Druckseiten (/PageLabels) + 3 kleine Pipeline-Bugs#79TillQuandel wants to merge 3 commits into
TillQuandel wants to merge 3 commits into
Conversation
pdf_to_pages nummerierte Seiten stumpf ab 1 (Form-Feed-Position) und ignorierte die echten Druckseiten-Labels -> Buch-Kapitel zitierten falsche Seiten (S. 1 statt S. 159). pdf_to_pages liest jetzt /PageLabels via _pdf_page_labels + _resolve_page_numbers (Whitespace/non-str gehaertet). Eindeutigkeits-Gate _usable_page_labels: Label-Modus nur bei vollstaendig numerischen, eindeutigen UND monoton steigenden Labels -- sonst einheitlicher i+1-Fallback. Verhindert Namespace-Kollision roemisch<->arabisch (False-Bind in figure_alt) und falsche min/max-Chunk-Ranges. figure_alt.pdf_index_to_anchor_page + eval_figure_feasibility._page_visual_signals an die Druckseiten-Labels angepasst (sonst Seite==Index-Regression). Cross-Model-reviewt (Codex fing den HIGH False-Bind + 2 Re-Review-Runden), 668 Tests gruen.
- cross_reference._clean_wikilink: strip('[]') verstuemmelte Titel mit
Klammern an einem Ende ('[2024] Projekt' -> '2024] Projekt'); jetzt nur
paarweise von aussen strippen, wenn beide Enden Klammern tragen.
- extractor: Trunkierungs-Retry-_PROMPT.format() fehlte related_mentions_block
-> KeyError -> Note ging verloren statt Fallback aufs Original.
- vault_writer.build_quellen_block: Seiten lexikografisch sortiert
(S. 159, 160, 9); jetzt numerisch + range-aware ('159-160') + Leerstring-Filter.
668 Tests gruen.
Zwei Lücken im PageLabel-Gate (PR #79), gefunden im Cross-Model-Bug-Hunt (Qwen + Codex) am echten KSS-Handbuch-Kapitel (Reimer 2013, B 3): 1. Eindeutigkeit wurde auf Strings geprüft (len(set(stripped))), die Monotonie ließ aber numerische Duplikate durch: ["01","1","2"] passierte das Gate (Strings unique, sorted([1,1,2])==[1,1,2]) → zwei Seiten "S. 1" → False-Bind. Jetzt numerische Eindeutigkeit (len(set(nums))). 2. str.isdigit() ist True für Unicode-Superscripts (²), die int() nicht parsen kann → ValueError, bisher nur durch das except im Aufrufer maskiert. isdecimal() lehnt sie sauber ab (Gate selbst-korrekt). Beide via TDD, 34 pdf_chunker-Tests + volle generative-Suite (621) grün.
Owner
Author
|
Bug-Hunt-Durchgang 2026-06-27 (echtes Kapitel: KSS-Handbuch B 3 Wissensorganisation, Reimer 2013, S. 172–182 — erstes label-tragendes PDF durch die Pipeline). Commit
Beide TDD-getestet; volle generative-Suite (621) grün. End-to-End-Beleg: Die erzeugten Notes ankern auf Druckseiten 172/178/181 (nicht Form-Feed 1/7/10) — der PageLabel-Pfad greift auf einem echten label-tragenden PDF. Alle 4 Quote-Blöcke wörtlich gegen das Original verifiziert. Offene Namespace-Reste (separates Issue, diagnostisch, nicht in diesem PR): Stage-8-Eval nummeriert Seiten weiter physisch (PyMuPDF) statt Label. |
This was referenced Jun 27, 2026
This file contains hidden or bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
2 participants
Add this suggestion to a batch that can be applied as a single commit.This suggestion is invalid because no changes were made to the code.Suggestions cannot be applied while the pull request is closed.Suggestions cannot be applied while viewing a subset of changes.Only one suggestion per line can be applied in a batch.Add this suggestion to a batch that can be applied as a single commit.Applying suggestions on deleted lines is not supported.You must change the existing code in this line in order to create a valid suggestion.Outdated suggestions cannot be applied.This suggestion has been applied or marked resolved.Suggestions cannot be applied from pending reviews.Suggestions cannot be applied on multi-line comments.Suggestions cannot be applied while the pull request is queued to merge.Suggestion cannot be applied right now. Please check back later.
Zwei Fix-Gruppen aus einem Multi-Agent-Review-Durchgang über die generative Pipeline.
1. Seitenanker aus PDF-Druckseiten (/PageLabels)
pdf_to_pagesnummerierte Seiten stumpf ab 1 (Form-Feed-Position) und ignorierte die echten Druckseiten-Labels → Buch-Kapitel zitierten falsche Seiten (S. 1 statt S. 159). Liest jetzt/PageLabelsvia_pdf_page_labels+_resolve_page_numbers(Whitespace/non-str gehärtet).Eindeutigkeits-Gate
_usable_page_labels: Label-Modus nur bei vollständig numerischen, eindeutigen UND monoton steigenden Labels — sonst einheitlicher i+1-Fallback. Verhindert Namespace-Kollision römisch↔arabisch (False-Bind infigure_alt) und falsche min/max-Chunk-Ranges.figure_alt.pdf_index_to_anchor_page+eval_figure_feasibility._page_visual_signalsan die Druckseiten-Labels angepasst (sonst Seite==Index-Regression).2. Drei kleine Pipeline-Bugs
cross_reference._clean_wikilink:strip('[]')verstümmelte Titel mit Klammern an einem Ende ([2024] Projekt→2024] Projekt).extractor: Trunkierungs-Retry-format()fehlterelated_mentions_block→KeyError→ Note ging verloren statt Fallback.vault_writer.build_quellen_block: Seiten lexikografisch sortiert; jetzt numerisch + range-aware (159–160) + Leerstring-Filter.Review & Tests
Cross-Model-reviewt: Codex fing den HIGH False-Bind (2 Re-Review-Runden bis Konvergenz), Mistral + Qwen ergänzend. 668 generative-Tests grün.
Verbleibende dokumentierte Bugs aus diesem Durchgang: #74, #75, #76, #77, #78.