feat(v3): KI-freie Kopfdaten-Extraktion (ohne vLLM/LLM-Backend)

Ersetzt den LLM-Aufruf (gemma431b via vLLM) durch eine vollstaendig
deterministische Kopfdaten-Extraktion (extract_header_metadata_pure_python
in invoice_logic.py). Empfaenger-Adressblock, Rechnungsnummer, Daten,
Kunden-Nr., Zahlungsziel, Leistungszeitraum und Kunden-E-Mail werden aus
den regelmaessigen Kopf-Labeln und dem Adressaufbau der scitech-Rechnungen
gelesen. Die nachgelagerte Pipeline (Positionen, Beleg-Referenzen, Freitext,
Angebots-/Referenzbezug) bleibt unveraendert.

- Kein Server/Netzwerk mehr noetig, offline-faehig, quasi instant statt
  mehrere Sekunden pro Rechnung.
- LLMClient/get_cached_llm und die Imports os/requests/re/InvoiceMetadata
  entfernt.
- Verifiziert gegen alle 7 Beispielrechnungen: Kopfdaten korrekt, XRechnung-
  (UBL) + ZUGFeRD-(CII) XML wohlgeformt, Bruttobetraege == Endbetrag der PDFs.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

invoice_logic.py

@@ -245,6 +245,108 @@ def extract_referenznummer(text):
     return m.group(1).strip() if m else ""
 
 
+# Erkennt eine "PLZ Ort"-Zeile (deutsche 5-stellige PLZ + Ort), z.B. "16761 Hennigsdorf".
+_ZIP_CITY_PATTERN = re.compile(r"^(\d{5})\s+(.+)$")
+# E-Mail-Adresse (grob), zum Herausfischen einer Kunden-E-Mail aus dem Adressbereich.
+_EMAIL_PATTERN = re.compile(r"[\w.+-]+@[\w-]+\.[\w.-]+")
+
+
+def extract_recipient_address(text):
+    """Zerlegt den Empfaenger-Adressblock deterministisch in (name, street, zip, city).
+
+    Aufbau der scitech-Rechnungen: Zeile 0 ist die eigene Absender-Rueckadresse
+    ('scitech ... Str. 4 ... Hennigsdorf'). Danach folgt die Rechnungsadresse des Kunden bis
+    zur ersten 'Lieferadresse:'- oder 'RECHNUNG'-Zeile. Die 'PLZ Ort'-Zeile ist der Anker:
+    die Zeile davor ist die Strasse, alles davor der (ggf. mehrzeilige) Firmenname. Eine
+    nachgestellte USt-IdNr.-Zeile ('DE 123456789') steht hinter 'PLZ Ort' und wird ignoriert.
+    Gibt ("", "", "", "") zurueck, wenn keine 'PLZ Ort'-Zeile gefunden wird."""
+    lines = text.split("\n")
+    end = len(lines)
+    for i in range(1, len(lines)):
+        s = lines[i].strip()
+        if s.lower().startswith("lieferadresse") or s.upper().startswith("RECHNUNG"):
+            end = i
+            break
+    # Zeile 0 (eigene Absenderadresse) ueberspringen, leere Zeilen entfernen.
+    block = [ln.strip() for ln in lines[1:end] if ln.strip()]
+
+    zip_city_idx = None
+    zip_val = city_val = ""
+    for idx, ln in enumerate(block):
+        m = _ZIP_CITY_PATTERN.match(ln)
+        if m:
+            zip_city_idx = idx  # letzte Uebereinstimmung gewinnt (die echte Kundenadresse)
+            zip_val, city_val = m.group(1), m.group(2).strip()
+
+    if zip_city_idx is None or zip_city_idx < 1:
+        return "", "", "", ""
+
+    street = block[zip_city_idx - 1]
+    name = " ".join(block[: zip_city_idx - 1]).strip()
+    return name, street, zip_val, city_val
+
+
+def extract_recipient_email(text):
+    """Sucht im Adressbereich (bis zur 'RECHNUNG'-Zeile) nach einer Kunden-E-Mail. Die eigene
+    scitech-Adresse wird ausgeschlossen. Gibt "" zurueck, wenn keine gefunden wird."""
+    lines = text.split("\n")
+    end = len(lines)
+    for i, ln in enumerate(lines):
+        if ln.strip().upper().startswith("RECHNUNG"):
+            end = i
+            break
+    for ln in lines[:end]:
+        m = _EMAIL_PATTERN.search(ln)
+        if m and "scitech" not in m.group(0).lower():
+            return m.group(0)
+    return ""
+
+
+# USt-Satz aus der Steuerzeile lesen, z.B. '19 % USt. auf € 2.680,00' -> 19.0.
+_VAT_RATE_PATTERN = re.compile(r"(\d+(?:[.,]\d+)?)\s*%\s*USt", re.IGNORECASE)
+
+
+def extract_header_metadata_pure_python(text):
+    """Deterministischer Ersatz fuer die LLM-Kopfdatenextraktion (test-version3, KI-frei).
+
+    Liefert dasselbe Dict-Schema, das zuvor das vLLM/gemma-Modell produziert hat, damit die
+    nachgelagerte Pipeline in main.py (Positionen, Beleg-Referenzen, Freitext, Angebots-/
+    Referenzbezug usw.) unveraendert darauf aufsetzen kann. Alle Werte stammen aus den
+    regelmaessigen Kopf-Labeln ('Nummer:', 'Datum:', 'Kunden-Nr.:', ...) und dem Adressblock
+    der scitech-Rechnungen. Felder ohne dedizierte Label (leitweg_id, doc-refs, invoice_note)
+    bleiben leer - sie werden in main.py separat deterministisch befuellt bzw. im UI ergaenzt."""
+    name, street, zip_val, city_val = extract_recipient_address(text)
+
+    zahlungsziel = extract_labeled_header_value(text, "Zahlungsziel:")
+    m_days = re.search(r"\d+", zahlungsziel)
+
+    m_vat = _VAT_RATE_PATTERN.search(text)
+    vat_rate = float(m_vat.group(1).replace(",", ".")) if m_vat else 19.0
+
+    return {
+        "invoice_number": extract_labeled_header_value(text, "Nummer:"),
+        "invoice_date": parse_to_strict_xml_date(extract_labeled_header_value(text, "Datum:")),
+        "delivery_date": parse_to_strict_xml_date(extract_labeled_header_value(text, "Lieferdatum:")),
+        "customer_number": extract_labeled_header_value(text, "Kunden-Nr.:"),
+        "leitweg_id": "",  # BT-10: nur B2G, kein eigenes Label - im UI zu erfassen
+        "buyer_reference": extract_labeled_header_value(text, "Ihr Auftrag:"),
+        "recipient_name": name,
+        "recipient_street": street,
+        "recipient_zip": zip_val,
+        "recipient_city": city_val,
+        "recipient_email": extract_recipient_email(text),
+        "vat_rate_percent": vat_rate,
+        "delivery_note_id": "",  # wird in main.py via extract_document_references gesetzt
+        "order_id": "",
+        "contract_id": "",
+        "tender_id": "",
+        "service_start_date": parse_to_strict_xml_date(extract_labeled_header_value(text, "Zeitraum von:")),
+        "service_end_date": parse_to_strict_xml_date(extract_labeled_header_value(text, "Zeitraum bis:")),
+        "payment_term_days": m_days.group(0) if m_days else "",
+        "invoice_note": "",  # wird in main.py via extract_pre_position_freetext gesetzt
+    }
+
+
 def sanitize_filename_part(value):
     """Macht einen String dateisystem-sicher: entfernt in Dateinamen kritische Zeichen
     (Pfadtrenner/Sonderzeichen) und fasst Whitespace zu einem Bindestrich zusammen."""

main.py

@@ -1,13 +1,9 @@
-import os
 import io
 import streamlit as st
 import json
-import re
 import fitz
-import requests
 from facturx import generate_from_binary as facturx_generate_from_binary
 from invoice_logic import (
-    InvoiceMetadata,
     VERKAEUFER,
     VERKAEUFER_IBAN,
     PAYMENT_MEANS_CODES,
@@ -35,6 +31,7 @@ from invoice_logic import (
     extract_document_references,
     extract_labeled_header_value,
     extract_referenznummer,
+    extract_header_metadata_pure_python,
 )
 
 # ==========================================
@@ -44,58 +41,11 @@ if "invoice_counter" not in st.session_state:
     st.session_state.invoice_counter = 0
 
 # ==========================================
-# 1. API-CLIENT FÜR DAS vLLM-BACKEND
+# 1. KOPFDATEN-EXTRAKTION (KI-frei, test-version3)
 # ==========================================
-class LLMClient:
+# Diese Variante kommt ohne LLM/vLLM-Backend aus: die Kopfdaten werden vollstaendig
-
+# deterministisch aus dem PDF-Text gelesen (siehe extract_header_metadata_pure_python in
-    def __init__(self, model="gemma431b", base_url="http://10.192.0.140:8002"):
+# invoice_logic.py). Das ist schneller, offline-faehig und ohne Server-Abhaengigkeit.
-        self.model = model
-
-        base_url = base_url.strip()
-        if base_url.startswith("[") and ")" in base_url:
-            match = re.search(r"\((https?://.*?)\)", base_url)
-            if match:
-                base_url = match.group(1)
-
-        self.base_url = base_url.rstrip("/")
-
-    def chat(self, prompt, system_prompt="You are a helpful assistant.", temperature=0.0, json_schema=None):
-        messages = [
-            {"role": "system", "content": system_prompt},
-            {"role": "user", "content": prompt}
-        ]
-        return self._openai_compatible_request(messages, temperature, json_schema)
-
-    def _openai_compatible_request(self, messages, temperature, json_schema):
-        url = f"{self.base_url}/v1/chat/completions"
-        payload = {
-            "model": self.model,
-            "messages": messages,
-            "temperature": temperature
-        }
-
-        if json_schema:
-            payload["guided_json"] = json.dumps(json_schema) if isinstance(json_schema, dict) else json_schema
-
-        try:
-            response = requests.post(url, json=payload, timeout=120)
-            response.raise_for_status()
-            data = response.json()
-            return data.get("choices", [{}])[0].get("message", {}).get("content", "")
-        except Exception as e:
-            return f"vLLM/OpenAI Error: {e}"
-
-
-
-# ==========================================
-# 4. API CLIENT INITIALISIERUNG
-# ==========================================
-def get_cached_llm():
-    if "llm_instance" not in st.session_state:
-        llm_url = os.environ.get('VLLM_URL', 'http://10.192.0.140:8002')
-        llm_model = os.environ.get('LLM_MODEL', 'gemma431b')
-        st.session_state.llm_instance = LLMClient(model=llm_model, base_url=llm_url)
-    return st.session_state.llm_instance
 
 
 @st.cache_data(show_spinner=False)
@@ -143,7 +93,6 @@ def build_zugferd_pdf(invoice_json: str, original_pdf_bytes: bytes) -> bytes:
 st.set_page_config(page_title="PDF zu E-Rechnung", layout="wide")
 st.title("📄 PDF zu E-Rechnung Konverter")
 
-llm = get_cached_llm()
 col1, col2 = st.columns(2)
 
 with col1:
@@ -173,63 +122,15 @@ with col2:
 
     if uploaded_file is not None and pdf_text.strip() != "":
         if st.button("Daten extrahieren", width="stretch"):
-            with st.spinner("Extrahiere Daten über vLLM-API..."):
+            with st.spinner("Extrahiere Daten..."):
 
-                schema_dict = InvoiceMetadata.model_json_schema()
+                # KI-frei (test-version3): Kopfdaten vollstaendig deterministisch aus dem
-
+                # PDF-Text lesen - kein vLLM/LLM-Aufruf mehr. Liefert dasselbe Dict-Schema,
-                sys_prompt = (
+                # auf das die nachfolgende Pipeline aufsetzt.
-                    "Du bist ein präziser OCR-Parser für deutsche B2B-Rechnungen. "
+                final_data = extract_header_metadata_pure_python(pdf_text)
-                    "Extrahiere die Metadaten fehlerfrei als valides JSON-Objekt. "
-                    "Das JSON MUSS zwingend exakt folgende Schlüssel (Keys) enthalten:\n"
-                    "- invoice_number\n"
-                    "- invoice_date (im Format YYYY-MM-DD)\n"
-                    "- delivery_date (im Format YYYY-MM-DD)\n"
-                    "- buyer_reference\n"
-                    "- customer_number\n"
-                    "- recipient_name\n"
-                    "- recipient_street\n"
-                    "- recipient_zip\n"
-                    "- recipient_city\n"
-                    "- recipient_email\n"
-                    "- vat_rate_percent (als Zahl, z.B. 19.0)\n"
-                    "- delivery_note_id\n"
-                    "- order_id\n"
-                    "- contract_id\n"
-                    "- service_start_date\n"
-                    "- service_end_date\n"
-                    "- payment_term_days\n"
-                    "- invoice_note\n\n"
-                    "WICHTIGE REGEL: Analysiere den Text direkt VOR der ersten Tabellenposition '1'. "
-                    "Sortiere alle dort vorlaufenden Zeilen vollständig in die dafür vorgesehenen ID-, Datums- und Freitext-Felder ein. "
-                    "Schreibe diese vorlaufenden Metadaten NIEMALS in die Beschreibung der ersten Position hinein!\n\n"
-                    "Antworte ausschließlich mit dem reinen JSON-Objekt. Schreibe keinen anderen Text."
-                )
-                prompt_meta = f"Rechnungstext:\n{pdf_text}"
-
-                res_meta_text = llm.chat(
-                    prompt=prompt_meta,
-                    system_prompt=sys_prompt,
-                    temperature=0.0,
-                    json_schema=schema_dict
-                )
-
-                clean_json_text = res_meta_text.strip()
-                backtick_trigger = chr(96) * 3
-                if clean_json_text.startswith(backtick_trigger):
-                    lines = clean_json_text.splitlines()
-                    if lines[0].startswith(backtick_trigger):
-                        lines = lines[1:]
-                    if lines and lines[-1].startswith(backtick_trigger):
-                        lines = lines[:-1]
-                    clean_json_text = "\n".join(lines).strip()
-
-                try:
-                    final_data = json.loads(clean_json_text)
-                except Exception as e:
-                    st.error(f"Fehler beim Parsen der API-Antwort: {e}")
-                    st.code(res_meta_text)
-                    st.stop()
 
+                # Sicherheitsnetz: falls doch die eigene scitech-Adresse als Kunden-E-Mail
+                # erkannt wurde, leeren (BT-49 ist die Adresse des Empfaengers, nicht unsere).
                 if final_data.get("recipient_email") == VERKAEUFER["email"]:
                     final_data["recipient_email"] = ""