# 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` |