v1.17+v1.18: Beleg-Auto-Zuordnung (Zaehlernummer/Adresse) + eigener OCR-Container (Tesseract)

server/ocr/main.py

@@ -0,0 +1,103 @@
+"""mp-ocr – OCR-Dienst für das Mieterportal (Beleg-Analyse).
+
+Nimmt eine Datei-URL (oder Upload) entgegen, lädt den Beleg (PDF/Bild),
+extrahiert den Text mit Tesseract (Deutsch) und liefert ihn zurück.
+Nur intern im Docker-Netz erreichbar (mp-api ruft ihn auf).
+"""
+
+import base64
+import binascii
+import io
+import urllib.parse
+
+import fitz  # PyMuPDF
+import httpx
+import pytesseract
+from fastapi import FastAPI, HTTPException, UploadFile
+from PIL import Image
+from pydantic import BaseModel
+
+MAX_DATEI_BYTES = 20 * 1024 * 1024  # 20 MB
+DOWNLOAD_TIMEOUT = 20.0
+
+app = FastAPI(title="mp-ocr", docs_url=None, redoc_url=None)
+
+
+class Anfrage(BaseModel):
+    url: str
+
+
+@app.get("/healthz")
+def healthz():
+    return {"ok": True, "dienst": "mp-ocr"}
+
+
+def bild_text(img: Image.Image) -> str:
+    return pytesseract.image_to_string(img, lang="deu").strip()
+
+
+def pdf_text(daten: bytes) -> str:
+    teile = []
+    with fitz.open(stream=daten, filetype="pdf") as doc:
+        for seite in doc:
+            pix = seite.get_pixmap(dpi=200)
+            img = Image.open(io.BytesIO(pix.tobytes("png")))
+            teile.append(bild_text(img))
+    return "\n".join(t for t in teile if t).strip()
+
+
+def datei_text(daten: bytes, dateiname: str) -> str:
+    if dateiname.lower().endswith(".pdf") or daten[:5] == b"%PDF-":
+        return pdf_text(daten)
+    try:
+        with Image.open(io.BytesIO(daten)) as img:
+            return bild_text(img.convert("RGB"))
+    except Exception:
+        raise HTTPException(400, "Dateiformat nicht unterstützt (PDF/JPG/PNG erwartet).")
+
+
+def datenVonDataUrl(url: str) -> tuple[bytes, str]:
+    """data:application/pdf;base64,…. → (bytes, name)."""
+    kopf, _, payload = url.partition(",")
+    if not payload:
+        raise HTTPException(400, "Leere data-URL.")
+    typ = kopf[5:].split(";")[0] or "application/octet-stream"
+    if ";base64" in kopf:
+        try:
+            return base64.b64decode(urllib.parse.unquote(payload)), "beleg-data"
+        except (binascii.Error, ValueError):
+            raise HTTPException(400, "Ungültige base64-data-URL.")
+    return urllib.parse.unquote_to_bytes(payload), "beleg-data"
+
+
+@app.post("/ocr")
+async def ocr_url(anfrage: Anfrage):
+    """Beleg von einer URL herunterladen und per OCR auswerten."""
+    url = anfrage.url
+    if url.startswith("data:"):
+        daten, name = datenVonDataUrl(url)
+        if len(daten) > MAX_DATEI_BYTES:
+            raise HTTPException(413, "Datei größer als 20 MB.")
+        return {"text": datei_text(daten, name)}
+    if not url.startswith(("http://", "https://")):
+        raise HTTPException(400, "Nur http(s)- oder data-URLs erlaubt.")
+    try:
+        async with httpx.AsyncClient(timeout=DOWNLOAD_TIMEOUT, follow_redirects=True) as client:
+            resp = await client.get(url)
+    except Exception as e:
+        raise HTTPException(502, f"Download fehlgeschlagen: {e}")
+    if resp.status_code != 200:
+        raise HTTPException(502, f"Download: HTTP {resp.status_code}")
+    if len(resp.content) > MAX_DATEI_BYTES:
+        raise HTTPException(413, "Datei größer als 20 MB.")
+    name = url.split("?")[0].rsplit("/", 1)[-1] or "beleg"
+    return {"text": datei_text(resp.content, name)}
+
+
+@app.post("/ocr/upload")
+async def ocr_upload(datei: UploadFile):
+    """Beleg direkt als Upload (multipart) auswerten."""
+    daten = await datei.read(MAX_DATEI_BYTES + 1)
+    if len(daten) > MAX_DATEI_BYTES:
+        raise HTTPException(413, "Datei größer als 20 MB.")
+    return {"text": datei_text(daten, datei.filename or "beleg")}