Christoph Kroczek
6e6cb0dc8d
- 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>
2.7 KiB
2.7 KiB
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.
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 |