Lectii text: extract_text_lessons.py + Modul 3 #9 sumarizata

extract_audio.py sarea peste lectiile fara video. Gasita una in curriculum-ul
accesibil (Modul 3 #9 - expirari de optiuni, witching, 0DTE), cu 4847 de
caractere de continut real. Era numarata gresit ca acoperita.

Plus:
- render_html.py: index grupat pe module cu titlul H1 al fiecarei pagini
- render_html.py: garda pe liniile goale din <svg> (rup blocul HTML tacut)

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01MtSTyTmt6AbCL9j5ajEDm1

extract_text_lessons.py

@@ -0,0 +1,92 @@
+"""
+Extrage lecțiile FĂRĂ video (text/quiz) — pe care extract_audio.py le sare,
+pentru că el caută doar un MP4.
+
+API-ul de lecție întoarce conținutul în câmpul `html`, împreună cu tot
+CSS-ul paginii systeme.io. Curățăm style/script, apoi tagurile, și scriem
+text în același loc cu transcrierile, ca să intre în același flux de
+sumarizare.
+"""
+
+import argparse
+import html as html_mod
+import logging
+import os
+import re
+import sys
+from pathlib import Path
+
+import requests
+from dotenv import load_dotenv
+
+from download import BASE, get_course_id, get_lecture_video_url, get_menu, login, slugify
+from extract_audio import CORE_MODULES
+
+logging.basicConfig(level=logging.INFO, format="%(asctime)s [%(levelname)s] %(message)s")
+log = logging.getLogger(__name__)
+
+
+def lecture_text(session: requests.Session, lecture_id: int) -> str:
+    raw = session.get(f"{BASE}/api/membership/lecture/{lecture_id}").json().get("html") or ""
+    raw = re.sub(r"(?is)<(style|script)\b.*?</\1>", " ", raw)
+    text = html_mod.unescape(re.sub(r"<[^>]+>", "\n", raw))
+    lines = [ln.strip() for ln in text.split("\n") if ln.strip()]
+    return "\n".join(lines)
+
+
+def main():
+    p = argparse.ArgumentParser(description="Extrage lecțiile text din cursul ATM")
+    p.add_argument("--out", default="transcripts")
+    p.add_argument("--only", default=None, help="Un singur modul (ocolește CORE_MODULES)")
+    args = p.parse_args()
+
+    load_dotenv()
+    email, password = os.getenv("ATM_EMAIL", ""), os.getenv("ATM_PASSWORD", "")
+    if not email or not password:
+        log.error("Setează ATM_EMAIL și ATM_PASSWORD în .env")
+        sys.exit(1)
+
+    session = requests.Session()
+    session.headers.update({"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)"})
+    login(session, email, password)
+    modules = get_menu(session, get_course_id(session))
+
+    done = skipped = 0
+    for mod_idx, mod in enumerate(modules, 1):
+        if args.only:
+            if mod["name"] != args.only:
+                continue
+        elif mod["name"] not in CORE_MODULES:
+            continue
+
+        for lec_idx, lec in enumerate(mod["lectures"], 1):
+            try:
+                if get_lecture_video_url(session, lec["id"]):
+                    continue  # are video -> îl ia extract_audio.py
+            except requests.exceptions.HTTPError as e:
+                if e.response is not None and e.response.status_code == 403:
+                    continue  # fără acces
+                raise
+
+            dest = Path(args.out) / f"{mod_idx:02d}_{slugify(mod['name'])}" / f"{lec_idx:02d}_{slugify(lec['name'])}.txt"
+            if dest.exists() and dest.stat().st_size > 200:
+                log.info(f"  Există deja: {dest.name}")
+                skipped += 1
+                continue
+
+            text = lecture_text(session, lec["id"])
+            if len(text) < 200:
+                log.info(f"  Prea puțin text, probabil quiz gol: {lec['name']}")
+                continue
+
+            dest.parent.mkdir(parents=True, exist_ok=True)
+            dest.write_text(text, encoding="utf-8")
+            log.info(f"  Extras ({len(text)} caractere): {dest}")
+            done += 1
+
+    log.info("=" * 60)
+    log.info(f"Lecții text extrase: {done}, sărite: {skipped}.")
+
+
+if __name__ == "__main__":
+    main()