209 lines
6.2 KiB
Markdown
209 lines
6.2 KiB
Markdown
\# 📄 Enterprise PDF-zu-XRechnung
|
||
|
||
|
||
|
||
Dieses Tool ist ein hochpräziser, datenschutzkonformer Konverter, der herkömmliche B2B-Rechnungen im PDF-Format vollautomatisch in gesetzeskonforme \*\*XRechnung-XMLs (UBL-Standard, Version 3.0)\*\* transformiert.
|
||
|
||
|
||
|
||
Das System setzt auf einen \*\*innovativen Hybrid-Ansatz\*\*: Es kombiniert die semantische Flexibilität eines modernen, lokalen Large Language Models (LLM) für unstrukturierte Kopfdaten mit der unfehlbaren mathematischen Präzision von nativem Python-Code für die Positionstabelle.
|
||
|
||
|
||
|
||
\---
|
||
|
||
|
||
|
||
\## 🚀 Key Features
|
||
|
||
|
||
|
||
\* \*\*100 % Lokale Ausführung \& DSGVO-konform:\*\* Keine Cloud-APIs (kein OpenAI, Anthropic etc.). Alle Daten verbleiben vollständig auf der eigenen Hardware. Absolute Datensouveränität für sensible Finanzdaten.
|
||
|
||
\* \*\*Kugelsichere Tabellen-Extraktion:\*\* Positionen, Mengen, Einheiten und Einzelpreise werden mittels optimierter regulärer Ausdrücke (Regex) fehlerfrei ausgelesen – komplett immun gegen KI-Halluzinationen oder Token-Abbrüche.
|
||
|
||
\* \*\*Finanzmathematische Präzision:\*\* Berechnung aller Netto-, MwSt- und Bruttosummen mittels Pythons `decimal`-Modul inklusive striktem \*\*kaufmännischen Runden (`ROUND\_HALF\_UP`)\*\*. Keine Floating-Point-Ungenauigkeiten.
|
||
|
||
\* \*\*Human-in-the-Loop Frontend:\*\* Eine interaktive Streamlit-Oberfläche erlaubt die sofortige visuelle Kontrolle und manuelle Korrektur aller extrahierten Daten vor dem finalen Export.
|
||
|
||
\* \*\*Validierte XML-Ausgabe:\*\* Generiert valides UBL-2.1-Invoice-XML, das die strengen Konformitätsprüfungen der offiziellen Koordinierungsstelle für IT-Standards (KoSIT) fehlerfrei (\*\*0 Fehler\*\*) besteht.
|
||
|
||
|
||
|
||
\---
|
||
|
||
|
||
|
||
\## 🛠 Wie es funktioniert (Hybrid-Architektur)
|
||
|
||
|
||
|
||
Das Tool teilt die Extraktion in zwei spezialisierte Verarbeitungsstufen auf:
|
||
|
||
|
||
|
||
```
|
||
|
||
\[PDF Dokument]
|
||
|
||
  │
|
||
|
||
  ├──> Stufe 1: Lokale KI (Qwen3.5-Instruct) ──> Extraktion von Metadaten (Kunde, Adresse, Datum, Referenz)
|
||
|
||
  │
|
||
|
||
  └──> Stufe 2: Pure Python Engine (Regex) ──> Extraktion der Artikel (Beschreibung, Menge, Einheit, Preis)
|
||
|
||
```
|
||
|
||
|
||
|
||
1\. \*\*Stufe 1: Stammdaten via Lokaler KI (LLM)\*\*
|
||
|
||
  Kopfdaten wie Rechnungsnummer, Datumsangaben, Bestell-Referenzen und Kundenadressen wandern auf Rechnungen visuell stark hin und her. Hier glänzt das lokale KI-Modell: Es versteht den Kontext des gesamten Texts und extrahiert diese unstrukturierten Metadaten zuverlässig. Um strukturelle Fehler zu vermeiden, wird die KI über eine strikte JSON-Schema-Grammatik (`LlamaGrammar`) gezwungen, die Daten exakt in ein vordefiniertes Pydantic-Schema zu gießen.
|
||
|
||
|
||
|
||
2\. \*\*Stufe 2: Positionen via Python-Regex\*\*
|
||
|
||
  Finanztabellen erfordern 0 % Fehlertoleranz. Statt das LLM mit langen Tabellen zu überfordern (Gefahr von Abbrüchen oder Zahlendrehern), scannt ein robuster Python-Algorithmus den extrahierten Textstrom nach Mustern von Mengenangaben und Einheiten (z. B. `1,375 Tag(e)` oder `2 Std.`). Er greift sich nachgelagerte Preise, isoliert den zugehörigen Beschreibungstext (auch bei komplexen mehrzeiligen Umbrüchen) und filtert irrelevante Systemtexte automatisch heraus.
|
||
|
||
|
||
|
||
\---
|
||
|
||
|
||
|
||
\## 🤖 Das KI-Modell
|
||
|
||
|
||
|
||
Das Tool ist exakt auf das folgende Open-Weights-Modell optimiert:
|
||
|
||
\* \*\*Modell:\*\* `Qwen3.5-4B-Instruct`
|
||
|
||
\* \*\*Format:\*\* GGUF (optimiert für CPU/GPU-Inferenz via `llama-cpp`)
|
||
|
||
\* \*\*Quantisierung:\*\* `Q8\_0` (Hohe Genauigkeit bei exzellenter Performance)
|
||
|
||
|
||
|
||
\*\*Wichtig:\*\* Es muss zwingend die \*\*`Instruct`\*\*-Version des Modells verwendet werden (`Qwen3.5-4B-Instruct-Q8\_0.gguf`), da das reine Base-Modell nicht in der Lage ist, strukturierte Systemanweisungen und JSON-Grammatiken korrekt zu befolgen.
|
||
|
||
|
||
|
||
\---
|
||
|
||
|
||
|
||
\## 💻 Installation \& Setup
|
||
|
||
|
||
|
||
\### 1. Repository klonen \& Ordnerstruktur vorbereiten
|
||
|
||
```bash
|
||
|
||
git clone \[https://github.com/dein-username/pdf-to-xrechnung.git](https://github.com/dein-username/pdf-to-xrechnung.git)
|
||
|
||
cd pdf-to-xrechnung
|
||
|
||
mkdir -p models
|
||
|
||
```
|
||
|
||
|
||
|
||
\### 2. Lokales Modell herrichten
|
||
|
||
Lade das GGUF-Modell von Hugging Face (z. B. aus dem Repository von `bartowski`) herunter und platziere es im `models`-Ordner:
|
||
|
||
\* \*\*Pfad:\*\* `models/Qwen3.5-4B-Instruct-Q8\_0.gguf`
|
||
|
||
|
||
|
||
\### 3. Requirements erstellen (`requirements.txt`)
|
||
|
||
Für ein sauberes und schlankes Repository erstelle eine `requirements.txt` mit folgendem minimalen Inhalt:
|
||
|
||
```text
|
||
|
||
streamlit==1.58.0
|
||
|
||
llama\_cpp\_python==0.3.32
|
||
|
||
pydantic==2.13.4
|
||
|
||
pymupdf==1.28.0
|
||
|
||
```
|
||
|
||
|
||
|
||
\### 4. Abhängigkeiten installieren (inkl. GPU-Beschleunigung)
|
||
|
||
Aktiviere deine virtuelle Umgebung (`venv`) und führe den passenden Befehl aus, damit das KI-Modell deine Nvidia-Grafikkarte (CUDA) für rasend schnelle Antworten nutzt:
|
||
|
||
|
||
|
||
\*\*Unter Windows (PowerShell):\*\*
|
||
|
||
```powershell
|
||
|
||
$env:GGML\_CUDA="1"; pip install -r requirements.txt --force-reinstall --no-cache-dir
|
||
|
||
```
|
||
|
||
|
||
|
||
\*\*Unter Linux / macOS:\*\*
|
||
|
||
```bash
|
||
|
||
GGML\_CUDA=1 pip install -r requirements.txt --force-reinstall --no-cache-dir
|
||
|
||
```
|
||
|
||
|
||
|
||
\---
|
||
|
||
|
||
|
||
\## 🎈 Benutzung
|
||
|
||
|
||
|
||
Starte die Applikation über dein Terminal:
|
||
|
||
```bash
|
||
|
||
streamlit run app.py
|
||
|
||
```
|
||
|
||
|
||
|
||
1\. \*\*PDF hochladen:\*\* Ziehe eine herkömmliche Rechnungs-PDF per Drag-and-Drop in die left Spalte der Streamlit-Oberfläche.
|
||
|
||
2\. \*\*Daten extrahieren:\*\* Klicke auf `🚀 Daten extrahieren`. Im Hintergrund analysiert die hybride Engine das Dokument.
|
||
|
||
3\. \*\*Prüfen \& Editieren:\*\* In der rechten Spalte erscheinen alle erkannten Kopfdaten sowie die editierbare Positionstabelle. Du kannst jeden Wert manuell anpassen, Zeilen löschen oder hinzufügen.
|
||
|
||
4\. \*\*Exportieren:\*\* Klicke auf `🔒 XRechnung exportieren`. Das Tool berechnet kaufmännisch alle Summen und stellt dir die fertige, konforme XML-Datei direkt als Download (`📥 Download XML`) bereit.
|
||
|
||
|
||
|
||
\---
|
||
|
||
|
||
|
||
\## ⚖️ Rechtliche \& Finanzmathematische Hinweise
|
||
|
||
|
||
|
||
\* \*\*GoBD-Konformität:\*\* Dieses Tool generiert das strukturierte XML-Format. Der Nutzer ist selbst dafür verantwortlich, sowohl die Original-PDF als auch die generierte XML-Datei gemäß den GoBD-Richtlinien revisionssicher für 10 Jahre zu archivieren.
|
||
|
||
\* \*\*Prüfpflicht:\*\* Das Tool arbeitet nach dem Prinzip \*„Human-in-the-Loop“\*. Vor dem XML-Export ist eine kurze visuelle Endkontrolle der extrahierten Daten im Streamlit-Frontend durch den Sachbearbeiter zwingend empfohlen.
|
||
|