EPUB как второй вход в конвейер; листинги кода не переводятся и не ломают приёмку

- epub2html.py: EPUB -> тот же XHTML, что pdf2html.py, только стандартная
  библиотека. Уровень глав определяется по книге, а не берётся из <h1>:
  в EPUB там обычно название и части.
- pdf2html.py: листинг узнаётся по флагу моноширинного шрифта PyMuPDF,
  переносы и отступы внутри <pre> сохраняются, де-дефисация к коду не
  применяется.
- translate.py: <pre> исключён из проверок языка (английский код утягивал
  долю кириллицы ниже порога приёмки), рабочий каталог привязан к книге,
  устаревшие главы прошлого прогона чистятся, инлайновый <code> переживает
  переводчика.
- bookhtml.py: общий каркас документа и CSS для обоих входов.
- Тесты: test_epub2html.py на собранном в памяти EPUB, четыре новых случая
  в test_translate.py.

scripts/pdf2html.py

@@ -7,6 +7,11 @@ from pathlib import Path
 
 import pymupdf
 
+import bookhtml
+
+if len(sys.argv) < 3 or sys.argv[1] in ("-h", "--help"):
+    sys.exit("usage: pdf2html.py book.pdf out.html | pdf2html.py --fonts book.pdf")
+
 if sys.argv[1] == "--fonts":  # разведка: какие шрифты/кегли в PDF
     import collections
 
@@ -29,6 +34,7 @@ IMGDIR.mkdir(parents=True, exist_ok=True)
 # Пороги подобраны под вёрстку 15pt/letter. Для другой книги сначала
 # посмотреть реальные шрифты и кегли: pdf2html.py --fonts file.pdf
 INDENT_X = 88  # x0 первой строки: больше — абзац с красной строки
+MONO = 8  # бит моноширинного шрифта в span["flags"] (PyMuPDF)
 
 
 def style(font):
@@ -36,10 +42,20 @@ def style(font):
     return ("bold" in f or "semibold" in f, "-it" in f or "italic" in f)
 
 
-def span_html(s):
+def is_mono(s):
+    """Моноширинный шрифт = листинг кода. Признак берётся из флагов PyMuPDF, а
+    не из имени шрифта: имена у каждого издательства свои, флаг одинаковый."""
+    return bool(s["flags"] & MONO)
+
+
+def span_html(s, plain=False):
     t = html.escape(s["text"])
     if not t:
         return ""
+    if plain:  # внутри <pre> курсив и полужирный только мешают
+        return t
+    if is_mono(s):
+        return "<code>%s</code>" % t
     bold, ital = style(s["font"])
     if ital:
         t = "<i>%s</i>" % t
@@ -59,6 +75,8 @@ def block_kind(b):
         return ("h1", "title")
     if sz >= 24:
         return ("h1", None)
+    if all(is_mono(sp) for sp in spans):
+        return ("pre", None)
     if sz >= 17:
         return ("h2", None)
     if f.startswith("MyriadPro"):
@@ -66,7 +84,13 @@ def block_kind(b):
     return ("p", None)
 
 
-def block_text(b):
+def block_text(b, pre=False):
+    if pre:
+        # Перенос строки в коде значим, висящий дефис — это минус, а не перенос
+        # слова. Ни склейки строк, ни де-дефисации здесь быть не должно.
+        rows = ["".join(span_html(s, plain=True) for s in l["spans"])
+                for l in b["lines"]]
+        return "\n".join(rows).rstrip()
     out = []
     for i, l in enumerate(b["lines"]):
         line = "".join(span_html(s) for s in l["spans"])
@@ -82,6 +106,7 @@ def block_text(b):
     txt = "".join(out)
     txt = re.sub(r"</i>(\s*)<i>", r"\1", txt)
     txt = re.sub(r"</b>(\s*)<b>", r"\1", txt)
+    txt = re.sub(r"(?<=\S) {2,}(?=\S)", " ", txt)
     return txt.strip()
 
 
@@ -112,7 +137,7 @@ for pno, page in enumerate(doc):
         if not kind:
             continue
         tag, cls = kind
-        txt = block_text(b)
+        txt = block_text(b, pre=(tag == "pre"))
         if not txt:
             continue
         indented = b["lines"][0]["bbox"][0] >= INDENT_X
@@ -134,36 +159,13 @@ for pno, page in enumerate(doc):
 if open_para:
     parts.append(open_para)
 
-CSS = """
-body { margin: 0 1em; }
-h1 { text-align: center; margin: 2em 0 0.2em; page-break-before: always; }
-h1.title { page-break-before: avoid; }
-h2 { text-align: center; font-style: italic; font-weight: normal;
-     font-size: 1.1em; margin: 0.2em 0 1.5em; }
-p { text-indent: 1.2em; margin: 0; text-align: justify; }
-p.note { text-indent: 0; margin: 1em 2em; font-size: 0.9em;
-         font-family: sans-serif; }
-p.figure { text-indent: 0; text-align: center; margin: 1em 0; }
-img { max-width: 100%; }
-"""
-
-buf = ['<?xml version="1.0" encoding="utf-8"?>',
-       '<html xmlns="http://www.w3.org/1999/xhtml"><head>',
-       "<title>%s</title>" % html.escape(doc.metadata.get("title") or SRC.stem),
-       "<style>%s</style></head><body>" % CSS]
-for tag, cls, txt in parts:
-    if tag == "figure":
-        buf.append('<p class="figure">%s</p>' % txt)
-    else:
-        c = ' class="%s"' % cls if cls else ""
-        buf.append("<%s%s>%s</%s>" % (tag, c, txt, tag))
-buf.append("</body></html>")
-doc_html = "\n".join(buf)
-# merge tag runs split at page/line boundaries, collapse doubled spaces
-doc_html = re.sub(r"</(i|b)>(\s*)<\1>", r"\2", doc_html)
-doc_html = re.sub(r"(?<=\S) {2,}(?=\S)", " ", doc_html)
+doc_html = bookhtml.document(doc.metadata.get("title") or SRC.stem, parts)
+# merge tag runs split at page/line boundaries. Пробелы здесь уже не трогаем:
+# внутри <pre> они значимы, а в прозе схлопнуты в block_text.
+doc_html = re.sub(r"</(i|b|code)>(\s*)<\1>", r"\2", doc_html)
 OUT.write_text(doc_html, encoding="utf-8")
 
 print("blocks:", len(parts), "images:", img_n)
 print("h1:", sum(1 for p in parts if p[0] == "h1"),
-      "p:", sum(1 for p in parts if p[0] == "p"))
+      "p:", sum(1 for p in parts if p[0] == "p"),
+      "pre:", sum(1 for p in parts if p[0] == "pre"))