248 lines
8.3 KiB
Python
248 lines
8.3 KiB
Python
"""
|
|
PDF-Processor Modul
|
|
Text-Extraktion, OCR und ZUGFeRD-Erkennung
|
|
"""
|
|
import subprocess
|
|
from pathlib import Path
|
|
from typing import Dict, Optional, Tuple
|
|
import logging
|
|
import re
|
|
|
|
logger = logging.getLogger(__name__)
|
|
|
|
# Versuche Libraries zu importieren
|
|
try:
|
|
import pdfplumber
|
|
PDFPLUMBER_AVAILABLE = True
|
|
except ImportError:
|
|
PDFPLUMBER_AVAILABLE = False
|
|
logger.warning("pdfplumber nicht installiert")
|
|
|
|
try:
|
|
from pypdf import PdfReader
|
|
PYPDF_AVAILABLE = True
|
|
except ImportError:
|
|
PYPDF_AVAILABLE = False
|
|
logger.warning("pypdf nicht installiert")
|
|
|
|
|
|
class PDFProcessor:
|
|
"""Verarbeitet PDFs: Text-Extraktion, OCR, ZUGFeRD-Erkennung"""
|
|
|
|
def __init__(self, ocr_language: str = "deu", ocr_dpi: int = 300):
|
|
self.ocr_language = ocr_language
|
|
self.ocr_dpi = ocr_dpi
|
|
|
|
def verarbeite(self, pdf_pfad: str) -> Dict:
|
|
"""
|
|
Vollständige PDF-Verarbeitung
|
|
|
|
Returns:
|
|
Dict mit: text, ist_zugferd, zugferd_xml, hat_text, ocr_durchgefuehrt
|
|
"""
|
|
pfad = Path(pdf_pfad)
|
|
if not pfad.exists():
|
|
return {"fehler": f"Datei nicht gefunden: {pdf_pfad}"}
|
|
|
|
ergebnis = {
|
|
"pfad": str(pfad),
|
|
"text": "",
|
|
"ist_zugferd": False,
|
|
"zugferd_xml": None,
|
|
"hat_text": False,
|
|
"ocr_durchgefuehrt": False,
|
|
"seiten": 0
|
|
}
|
|
|
|
# 1. ZUGFeRD prüfen
|
|
zugferd_result = self.pruefe_zugferd(pdf_pfad)
|
|
ergebnis["ist_zugferd"] = zugferd_result["ist_zugferd"]
|
|
ergebnis["zugferd_xml"] = zugferd_result.get("xml")
|
|
|
|
# 2. Text extrahieren
|
|
text, seiten = self.extrahiere_text(pdf_pfad)
|
|
ergebnis["text"] = text
|
|
ergebnis["seiten"] = seiten
|
|
ergebnis["hat_text"] = bool(text and len(text.strip()) > 50)
|
|
|
|
# 3. OCR falls kein Text (aber NICHT bei ZUGFeRD!)
|
|
if not ergebnis["hat_text"] and not ergebnis["ist_zugferd"]:
|
|
logger.info(f"Kein Text gefunden, starte OCR für {pfad.name}")
|
|
ocr_text, ocr_erfolg = self.fuehre_ocr_aus(pdf_pfad)
|
|
if ocr_erfolg:
|
|
ergebnis["text"] = ocr_text
|
|
ergebnis["hat_text"] = bool(ocr_text and len(ocr_text.strip()) > 50)
|
|
ergebnis["ocr_durchgefuehrt"] = True
|
|
|
|
return ergebnis
|
|
|
|
def extrahiere_text(self, pdf_pfad: str) -> Tuple[str, int]:
|
|
"""
|
|
Extrahiert Text aus PDF
|
|
|
|
Returns:
|
|
Tuple von (text, seitenanzahl)
|
|
"""
|
|
text_parts = []
|
|
seiten = 0
|
|
|
|
# Methode 1: pdfplumber (besser für Tabellen)
|
|
if PDFPLUMBER_AVAILABLE:
|
|
try:
|
|
with pdfplumber.open(pdf_pfad) as pdf:
|
|
seiten = len(pdf.pages)
|
|
for page in pdf.pages:
|
|
page_text = page.extract_text()
|
|
if page_text:
|
|
text_parts.append(page_text)
|
|
if text_parts:
|
|
return "\n\n".join(text_parts), seiten
|
|
except Exception as e:
|
|
logger.debug(f"pdfplumber Fehler: {e}")
|
|
|
|
# Methode 2: pypdf (Fallback)
|
|
if PYPDF_AVAILABLE:
|
|
try:
|
|
reader = PdfReader(pdf_pfad)
|
|
seiten = len(reader.pages)
|
|
for page in reader.pages:
|
|
page_text = page.extract_text()
|
|
if page_text:
|
|
text_parts.append(page_text)
|
|
if text_parts:
|
|
return "\n\n".join(text_parts), seiten
|
|
except Exception as e:
|
|
logger.debug(f"pypdf Fehler: {e}")
|
|
|
|
# Methode 3: pdftotext CLI (Fallback)
|
|
try:
|
|
result = subprocess.run(
|
|
["pdftotext", "-layout", pdf_pfad, "-"],
|
|
capture_output=True,
|
|
text=True,
|
|
timeout=30
|
|
)
|
|
if result.returncode == 0 and result.stdout.strip():
|
|
return result.stdout, seiten
|
|
except Exception as e:
|
|
logger.debug(f"pdftotext Fehler: {e}")
|
|
|
|
return "", seiten
|
|
|
|
def pruefe_zugferd(self, pdf_pfad: str) -> Dict:
|
|
"""
|
|
Prüft ob PDF eine ZUGFeRD/Factur-X Rechnung ist
|
|
|
|
Returns:
|
|
Dict mit: ist_zugferd, xml (falls vorhanden)
|
|
"""
|
|
ergebnis = {"ist_zugferd": False, "xml": None}
|
|
|
|
# Methode 1: factur-x Library
|
|
try:
|
|
from facturx import get_facturx_xml_from_pdf
|
|
xml_bytes = get_facturx_xml_from_pdf(pdf_pfad)
|
|
if xml_bytes:
|
|
ergebnis["ist_zugferd"] = True
|
|
ergebnis["xml"] = xml_bytes.decode("utf-8") if isinstance(xml_bytes, bytes) else xml_bytes
|
|
logger.info(f"ZUGFeRD erkannt: {Path(pdf_pfad).name}")
|
|
return ergebnis
|
|
except ImportError:
|
|
logger.debug("factur-x nicht installiert")
|
|
except Exception as e:
|
|
logger.debug(f"factur-x Fehler: {e}")
|
|
|
|
# Methode 2: Manuell nach XML-Attachment suchen
|
|
if PYPDF_AVAILABLE:
|
|
try:
|
|
reader = PdfReader(pdf_pfad)
|
|
if "/Names" in reader.trailer.get("/Root", {}):
|
|
# Embedded Files prüfen
|
|
pass # Komplexere Logik hier
|
|
|
|
# Alternativ: Im Text nach ZUGFeRD-Markern suchen
|
|
for page in reader.pages[:1]: # Nur erste Seite
|
|
text = page.extract_text() or ""
|
|
if any(marker in text.upper() for marker in ["ZUGFERD", "FACTUR-X", "EN 16931"]):
|
|
ergebnis["ist_zugferd"] = True
|
|
logger.info(f"ZUGFeRD-Marker gefunden: {Path(pdf_pfad).name}")
|
|
break
|
|
except Exception as e:
|
|
logger.debug(f"ZUGFeRD-Prüfung Fehler: {e}")
|
|
|
|
return ergebnis
|
|
|
|
def fuehre_ocr_aus(self, pdf_pfad: str) -> Tuple[str, bool]:
|
|
"""
|
|
Führt OCR mit ocrmypdf durch
|
|
|
|
Returns:
|
|
Tuple von (text, erfolg)
|
|
"""
|
|
pfad = Path(pdf_pfad)
|
|
temp_pfad = pfad.with_suffix(".ocr.pdf")
|
|
|
|
try:
|
|
# ocrmypdf ausführen
|
|
result = subprocess.run(
|
|
[
|
|
"ocrmypdf",
|
|
"--language", self.ocr_language,
|
|
"--deskew", # Schräge Scans korrigieren
|
|
"--clean", # Bild verbessern
|
|
"--skip-text", # Seiten mit Text überspringen
|
|
"--force-ocr", # OCR erzwingen falls nötig
|
|
str(pfad),
|
|
str(temp_pfad)
|
|
],
|
|
capture_output=True,
|
|
text=True,
|
|
timeout=120 # 2 Minuten Timeout
|
|
)
|
|
|
|
if result.returncode == 0 and temp_pfad.exists():
|
|
# Original mit OCR-Version ersetzen
|
|
pfad.unlink()
|
|
temp_pfad.rename(pfad)
|
|
|
|
# Text aus OCR-PDF extrahieren
|
|
text, _ = self.extrahiere_text(str(pfad))
|
|
return text, True
|
|
else:
|
|
logger.error(f"OCR Fehler: {result.stderr}")
|
|
if temp_pfad.exists():
|
|
temp_pfad.unlink()
|
|
return "", False
|
|
|
|
except subprocess.TimeoutExpired:
|
|
logger.error(f"OCR Timeout für {pfad.name}")
|
|
if temp_pfad.exists():
|
|
temp_pfad.unlink()
|
|
return "", False
|
|
except FileNotFoundError:
|
|
logger.error("ocrmypdf nicht installiert")
|
|
return "", False
|
|
except Exception as e:
|
|
logger.error(f"OCR Fehler: {e}")
|
|
if temp_pfad.exists():
|
|
temp_pfad.unlink()
|
|
return "", False
|
|
|
|
def extrahiere_metadaten(self, pdf_pfad: str) -> Dict:
|
|
"""Extrahiert PDF-Metadaten"""
|
|
metadaten = {}
|
|
|
|
if PYPDF_AVAILABLE:
|
|
try:
|
|
reader = PdfReader(pdf_pfad)
|
|
if reader.metadata:
|
|
metadaten = {
|
|
"titel": reader.metadata.get("/Title", ""),
|
|
"autor": reader.metadata.get("/Author", ""),
|
|
"ersteller": reader.metadata.get("/Creator", ""),
|
|
"erstellt": reader.metadata.get("/CreationDate", ""),
|
|
}
|
|
except Exception as e:
|
|
logger.debug(f"Metadaten-Fehler: {e}")
|
|
|
|
return metadaten
|