Мусор в оглавлении сканов: фильтр поворота, проверка заголовков, вход для DjVu

Причиной мусорных заголовков у Брикмана оказался не порог кегля, а повёрнутый
на 90° текст: боковые врезки и подписи к таблицам распознаются в кашу
(«aoHegoduenueArdng») и попадают в h1, потому что кегль у них крупный. Замер:
105 строк из 17 300, все до одной брак. Блоки с неgоризонтальным направлением
строки выбрасываются целиком (is_rotated).

Остаток — подписи внутри иллюстраций — понижается до <p>, а не удаляется:
looks_garbled() в bookhtml.py, шесть признаков структуры, любых двух хватает.
Проверка повторяется после склейки соседних заголовков: по отдельности «LF»,
«FF» и «TIT» проходят как аббревиатуры, склеенные — обрывок таблицы.
Вместе: 99 h1 у Брикмана против 48.

djvu2html.py — третий вход конвейера. Родной текстовый слой DjVu чище нашего
OCR (у Праты 10,9 против 2,8 слов со смесью алфавитов на 10 000), а через PDF
он не проходит: ddjvu -format=pdf кладёт страницы картинками.

Самопроверки: djvu2html.py --selftest, pdf2html.py --selftest --selftest.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01XCiPWRi3Jqy4saD2LwU1Dp

README.md

@@ -26,9 +26,44 @@
   к абзацу с предыдущей страницы;
 - переносы на конце строки снимаются, соседние `</i><i>` схлопываются;
 - иллюстрации выгружаются в `images/`, обложка рендерится со страницы 1 в 150 dpi;
+- повёрнутый на 90° текст выбрасывается целиком: боковые врезки и подписи к
+  таблицам распознаются в кашу («aoHegoduenueArdng») и лезут в заголовки, потому
+  что кегль у них крупный. У Брикмана это 105 строк из 17 300, и все до одной —
+  брак;
+- мусорный заголовок понижается до `<p>`, а не удаляется: оглавление чистится,
+  текст остаётся. Проверка — `looks_garbled()` в `scripts/bookhtml.py`, шесть
+  признаков структуры, любых двух хватает. Вместе с фильтром поворота это увело
+  Брикмана с 99 `<h1>` до 48;
 - позиционирование не сохраняется намеренно — текст должен течь под любой
   размер шрифта на читалке.
 
+## DjVu со своим текстовым слоем: `scripts/djvu2html.py`
+
+У сканов в DjVu слой распознавания обычно уже есть, и он лучше нашего прогона
+через `ocrmypdf`. Замер на Прате (C++ 6-е рус. изд., 1244 полосы): слов со
+смесью алфавитов внутри слова было 433 на 391 тысячу слов (10,9 на 10 000),
+после сборки из родного слоя — 109 (2,8).
+
+⚠️ **Через PDF этот слой не проходит.** `ddjvu -format=pdf` кладёт страницы
+картинками, `pdftotext` после этого отдаёт пустоту. Текст берётся напрямую из
+`djvutxt --detail=line`, скрипт разбирает его сам.
+
+Чего в слое DjVu нет вовсе — курсива и полужирного: в скане их и не было.
+Заголовки опознаются высотой строки, листинги — пунктуацией.
+
+⚠️ **Высота строки в DjVu — это габарит с выносными элементами, а не кегль.**
+Строка с «Ц» или «р» выше соседней на те же 10%, поэтому пороги взяты по
+измеренным разрывам, а не «чуть выше основного текста». У Праты при основной
+строке 78: колонтитулы 85–90, разделы 105–125, названия глав 170–185.
+
+Строки заголовка склеиваются подряд: название главы занимает две-три строки, и
+без склейки «Класс string и стандартная библиотека шаблонов» разваливается на
+четыре пункта оглавления.
+
+Самопроверки без сети: `python3 scripts/djvu2html.py --selftest` и
+`python3 scripts/pdf2html.py --selftest --selftest` (флаг занимает оба
+обязательных аргумента).
+
 ## Подключение как скил Claude Code
 
 Репозиторий одновременно является скилом (`SKILL.md` в корне) и клонируется