v0.0.54: В2 фикс кракозябр имён zip (utf-8+валидация→cp866), В1 фильтр таблиц (безопасен, эффект≈0)

drhider/extractor.py

@@ -123,7 +123,15 @@ def pdf_to_markdown(content: bytes) -> str:
                 lines.append("")
 
             # ── Таблицы ──
-            tables = page.extract_tables()
+            # Быстрый фильтр: если на странице нет линий/кривых/прямоугольников,
+            # таблиц нет (pdfplumber ищет таблицы только по векторным линиям).
+            # Включая page.rects — таблицы на цветном фоне (заливка).
+            # Пропускаем extract_tables() на «чистых» страницах (скан/текст) — это
+            # основная стоимость на сканах, где линий нет.
+            if page.lines or page.curves or page.rects:
+                tables = page.extract_tables()
+            else:
+                tables = []
             for table in tables:
                 if not table:
                     continue
@@ -260,13 +268,33 @@ def expand_zips(files: List[Tuple[str, bytes, str]]) -> List[Tuple[str, bytes, s
         """Декодировать имя из ZIP.
 
         Если флаг UTF-8 (bit 11) выставлен — имя уже корректное (берём как есть).
-        Иначе zipfile декодировал имя как CP437. Для кириллицы из 1С (CP866)
-        перекодируем CP437→CP866; при неудаче оставляем как есть.
+        Иначе zipfile декодировал имя как CP437. Пытаемся восстановить исходные
+        байты (encode cp437) и декодировать:
+          1) как UTF-8 — если результат в кириллице/ASCII (Info-ZIP/Linux-зипы
+             пишут UTF-8 без флага; случайная коллизия CP866→UTF-8 отсекается
+             проверкой диапазона);
+          2) как CP866 — реальные 1С-выгрузки.
         """
+        def _cyr_ok(s: str) -> bool:
+            # Все символы — ASCII или кириллица (U+0400–U+04FF)
+            return all(ord(c) < 128 or 0x0400 <= ord(c) <= 0x04FF for c in s)
+
         if not (info.flag_bits & 0x800) and any(ord(c) > 127 for c in name):
             try:
-                return name.encode("cp437").decode("cp866")
-            except (UnicodeDecodeError, UnicodeEncodeError):
+                raw = name.encode("cp437")
+            except UnicodeEncodeError:
+                return name
+            # 1) UTF-8 (Info-ZIP/Linux без флага)
+            try:
+                dec = raw.decode("utf-8")
+                if _cyr_ok(dec):
+                    return dec
+            except UnicodeDecodeError:
+                pass
+            # 2) CP866 (1С)
+            try:
+                return raw.decode("cp866")
+            except UnicodeDecodeError:
                 pass
         return name