M0: arc42-Konzeptdokument, Gherkin-Anforderungen und OpenAPI-Vertrag

- doc/architecture.md: arc42-Detaildokument mit Mermaid-Diagrammen
  (Bausteinsicht, Klassendiagramm, Statusmodell, 5 Sequenzdiagramme),
  Speicherkonzept, DEC-01..19-Entscheidungen mit Trade-offs
- doc/requirements/: 7 Features als Gherkin-Szenarien (TDD-Grundlage)
  mit Traceability-Tabellen Szenario <-> Stdlib-Testname
- doc/openapi.yaml: API-Vertrag fuer alle 9 Endpunkte (Quelle der Wahrheit)

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

doc/requirements/03-textextraktion-ocr.md

@@ -0,0 +1,58 @@
+# Feature: Textextraktion und OCR
+
+Als System möchte ich den Textinhalt jedes Dokuments gewinnen,
+ohne die Originaldatei jemals zu verändern (DEC-IMMUTABLE-01),
+damit Suche und Anreicherung auf externem Kontext arbeiten können.
+
+```gherkin
+Funktionalität: Textextraktion und OCR
+
+  Szenario: Born-digital-PDF braucht kein OCR
+    Angenommen ein PDF mit maschinenlesbarem Textlayer
+    Wenn die Extract-Stage läuft
+    Dann wird der Text per pdftotext gewonnen
+    Und ein Event "TextExtracted" mit needs_ocr=false wird aufgezeichnet
+    Und die OCR-Stage wird übersprungen
+
+  Szenario: Gescanntes PDF wird per OCR erschlossen
+    Angenommen ein PDF ohne bzw. mit unzureichendem Textlayer
+    Wenn die OCR-Stage läuft
+    Dann wird der Text per ocrmypdf im Sidecar-Modus gewonnen
+    Und ein Event "OCRCompleted" mit engine "ocrmypdf" wird aufgezeichnet
+    Und es wird kein Ausgabe-PDF erzeugt
+
+  Szenario: Bilddateien werden immer per OCR erschlossen
+    Angenommen ein importiertes JPG-, PNG- oder HEIC-Bild
+    Wenn die Verarbeitung läuft
+    Dann liefert die Extract-Stage needs_ocr=true
+    Und der Text wird per tesseract direkt aus dem Bild gewonnen
+
+  Szenario: HEIC wird nur temporär konvertiert
+    Angenommen ein importiertes HEIC-Bild
+    Wenn die OCR-Stage läuft
+    Dann wird für die Erkennung ein temporäres PNG erzeugt
+    Und das temporäre PNG wird nach der Erkennung gelöscht
+    Und die archivierte Datei ist das unveränderte HEIC-Original
+
+  Szenario: Originaldatei bleibt byte-identisch
+    Angenommen ein Dokument mit bekanntem SHA-256-Hash bei der Aufnahme
+    Wenn das Dokument vollständig verarbeitet und abgelegt wurde
+    Dann ist der SHA-256-Hash der archivierten Datei identisch mit dem Hash bei der Aufnahme
+
+  Szenario: Korrupte oder passwortgeschützte Datei schlägt endgültig fehl
+    Angenommen eine nicht lesbare oder passwortgeschützte PDF-Datei
+    Wenn Extraktion und OCR fehlschlagen
+    Dann wird ein Event "ProcessingFailed" mit retryable=false aufgezeichnet
+    Und das Dokument hat den Status "failed" mit gesetzter failed_stage
+```
+
+## Traceability
+
+| Szenario | Go-Test (Pakete `internal/pdf`, `internal/ocr`, `internal/pipeline`) |
+|---|---|
+| Born-digital-PDF braucht kein OCR | `TestExtractStage_TextPDFSkipsOCR` |
+| Gescanntes PDF wird per OCR erschlossen | `TestOCRStage_ScannedPDFUsesSidecarOnly` |
+| Bilddateien werden immer per OCR erschlossen | `TestExtractStage_ImageAlwaysNeedsOCR` |
+| HEIC wird nur temporär konvertiert | `TestOCR_HEICTempConversionIsCleanedUp` |
+| Originaldatei bleibt byte-identisch | `TestPipeline_OriginalHashUnchangedAfterProcessing` |
+| Korrupte oder passwortgeschützte Datei schlägt endgültig fehl | `TestPipeline_CorruptPDFFailsNonRetryable` |