feat(sources): PDF-Dokumente als neuer Quellentyp pdf_document

- SOURCE_TYPE_PATTERN um pdf_document erweitert
- src/services/pdf_ingest.py: pdfplumber + Tesseract-OCR-Fallback,
  Uebersetzung nach DE+EN, ein Pool-Artikel pro PDF
- Scheduler-Job pdf_ingest laeuft im Minuten-Takt und verarbeitet
  pdf_document-Quellen mit processed_at IS NULL
- scripts/migrate_pdf_source.py: idempotente DB-Migration
  (sources.pdf_path/pdf_sha256/processed_at, articles.headline_en/content_en)
- requirements.txt: pdfplumber, pytesseract, pdf2image, Pillow
Dieser Commit ist enthalten in:
Claude Code
2026-05-16 23:21:50 +00:00
Ursprung 52a631921e
Commit e68386f6bb
5 geänderte Dateien mit 279 neuen und 1 gelöschten Zeilen

Datei anzeigen

@@ -16,3 +16,8 @@ Jinja2>=3.1
weasyprint>=68.0
python-docx>=1.2
pikepdf>=9.0
# PDF-Quellen (Ingestion)
pdfplumber>=0.11
pytesseract>=0.3
pdf2image>=1.17
Pillow>=10.0

Datei anzeigen

@@ -0,0 +1,34 @@
"""Idempotente Migration: Quellen-Typ pdf_document + EN-Spalten in articles.
Beim Live-Promote anwenden:
python3 scripts/migrate_pdf_source.py /home/claude-dev/osint-data/osint.db
"""
import sqlite3
import sys
def add_col(db, table, col_def):
name = col_def.split()[0]
cols = {r[1] for r in db.execute(f"PRAGMA table_info({table})").fetchall()}
if name in cols:
return False
db.execute(f"ALTER TABLE {table} ADD COLUMN {col_def}")
return True
def main(path):
with sqlite3.connect(path) as db:
for col in ("pdf_path TEXT", "pdf_sha256 TEXT", "processed_at TIMESTAMP"):
print(f"sources.{col.split()[0]}:", "added" if add_col(db, "sources", col) else "exists")
for col in ("headline_en TEXT", "content_en TEXT"):
print(f"articles.{col.split()[0]}:", "added" if add_col(db, "articles", col) else "exists")
db.execute("CREATE INDEX IF NOT EXISTS idx_sources_pdf_sha256 ON sources(pdf_sha256)")
db.commit()
print("DONE")
if __name__ == "__main__":
if len(sys.argv) != 2:
print("Usage: migrate_pdf_source.py /path/to/osint.db")
sys.exit(1)
main(sys.argv[1])

Datei anzeigen

@@ -298,6 +298,8 @@ async def lifespan(app: FastAPI):
orchestrator.set_ws_manager(ws_manager)
await orchestrator.start()
from services import pdf_ingest as _pdf_ingest
scheduler.add_job(_pdf_ingest.run_once, "interval", minutes=1, id="pdf_ingest", max_instances=1, coalesce=True)
scheduler.add_job(check_auto_refresh, "interval", minutes=1, id="auto_refresh")
scheduler.add_job(cleanup_expired, "interval", hours=1, id="cleanup")
scheduler.add_job(daily_source_health_check, "cron", hour=4, minute=0, id="source_health")

Datei anzeigen

@@ -140,7 +140,7 @@ class IncidentListItem(BaseModel):
# Sources (Quellenverwaltung)
SOURCE_TYPE_PATTERN = "^(rss_feed|web_source|excluded|telegram_channel|podcast_feed)$"
SOURCE_TYPE_PATTERN = "^(rss_feed|web_source|excluded|telegram_channel|podcast_feed|pdf_document)$"
SOURCE_CATEGORY_PATTERN = "^(nachrichtenagentur|oeffentlich-rechtlich|qualitaetszeitung|behoerde|fachmedien|think-tank|international|regional|boulevard|sonstige)$"
SOURCE_STATUS_PATTERN = "^(active|inactive)$"
class SourceCreate(BaseModel):

237
src/services/pdf_ingest.py Normale Datei
Datei anzeigen

@@ -0,0 +1,237 @@
"""PDF-Ingest: liest hochgeladene PDFs ein und legt sie als Pool-Artikel ab.
Quellen vom Typ `pdf_document` werden in der Verwaltung angelegt
(`processed_at IS NULL`). Dieser Service pollt sie, extrahiert den Text,
uebersetzt nach DE+EN und schreibt EINEN Artikel (incident_id=NULL) in
`articles`. Idempotent ueber `processed_at`.
"""
from __future__ import annotations
import asyncio
import json
import logging
import os
import re
from typing import Optional
import aiosqlite
from config import DB_PATH, CLAUDE_MODEL_FAST
from agents.claude_client import call_claude
logger = logging.getLogger("osint.pdf_ingest")
MAX_CHARS_PER_PDF = 200_000 # harte Obergrenze, schuetzt vor riesigen Dumps
TRANSLATE_INPUT_MAX = 12_000 # was wir dem LLM zum Uebersetzen geben (Cost-Control)
def _extract_text_pdfplumber(path: str) -> str:
import pdfplumber
parts: list[str] = []
with pdfplumber.open(path) as pdf:
for page in pdf.pages:
t = page.extract_text() or ""
if t:
parts.append(t)
return "\n\n".join(parts).strip()
def _extract_text_ocr(path: str) -> str:
"""Tesseract-Fallback ueber pdf2image -> Pillow -> pytesseract."""
from pdf2image import convert_from_path
import pytesseract
images = convert_from_path(path, dpi=200)
parts = []
for img in images:
# deu+eng zusammen, damit mehrsprachige PDFs gehen
t = pytesseract.image_to_string(img, lang="deu+eng")
if t and t.strip():
parts.append(t.strip())
return "\n\n".join(parts).strip()
def _extract_text(path: str) -> tuple[str, str]:
"""Gibt (text, method) zurueck. method: 'pdfplumber' oder 'ocr'."""
try:
text = _extract_text_pdfplumber(path)
except Exception as e:
logger.warning("pdfplumber-Extraktion fehlgeschlagen fuer %s: %s", path, e)
text = ""
if len(text) >= 50:
return text[:MAX_CHARS_PER_PDF], "pdfplumber"
logger.info("PDF hat keinen Text-Layer (oder <50 Zeichen), versuche OCR: %s", path)
text = _extract_text_ocr(path)
return text[:MAX_CHARS_PER_PDF], "ocr"
def _derive_headline(text: str, fallback: str) -> str:
"""Erste sinnvolle Zeile als Headline; sonst Fallback (Dateiname)."""
for raw in text.splitlines():
line = raw.strip()
if 5 <= len(line) <= 200:
return line
return fallback.strip() or "Untitled PDF"
async def _translate(text: str, headline: str, target_lang: str) -> tuple[str, str]:
"""Uebersetzt Headline + Content nach target_lang ('de' oder 'en').
Eigene mini-Funktion (statt agents.translator), weil wir je PDF nur EIN
Item haben und Headline+Content getrennt brauchen. Returnt (headline_t, content_t).
Bei Fehler oder leerem Text: ('', '').
"""
if not text and not headline:
return "", ""
lang_label = {"de": "Deutsch", "en": "Englisch"}.get(target_lang, target_lang)
content_in = (text or "")[:TRANSLATE_INPUT_MAX]
prompt = f"""Du bist ein praeziser Uebersetzer fuer Sachtexte.
Uebersetze Headline und Inhalt nach {lang_label}.
WICHTIG:
- Verwende IMMER echte UTF-8-Umlaute (ae->ä, oe->ö, ue->ü, ss->ß) bei Deutsch.
- Behalte Eigennamen im Original.
- Wenn der Text schon auf {lang_label} ist, gib ihn (nahezu) unveraendert zurueck.
- Behalte die wichtigsten Inhalte; kuerze stark auf MAX 3000 Zeichen Content.
Antworte AUSSCHLIESSLICH mit einem JSON-Objekt im Format:
{{"headline": "...", "content": "..."}}
Keine Markdown-Codefence, keine Einleitung.
HEADLINE: {headline}
INHALT:
{content_in}
"""
try:
result_text, _usage = await call_claude(prompt, tools=None, model=CLAUDE_MODEL_FAST)
except Exception as e:
logger.warning("PDF-Translator (%s) Claude-Call fehlgeschlagen: %s", target_lang, e)
return "", ""
raw = result_text.strip()
if raw.startswith("```"):
raw = re.sub(r"^```(?:json)?\s*", "", raw)
raw = re.sub(r"\s*```\s*$", "", raw).strip()
try:
data = json.loads(raw)
except json.JSONDecodeError:
m = re.search(r"\{.*\}", raw, re.DOTALL)
if not m:
logger.warning("PDF-Translator (%s) JSON nicht parsbar: %r", target_lang, raw[:200])
return "", ""
try:
data = json.loads(m.group(0))
except json.JSONDecodeError:
return "", ""
if not isinstance(data, dict):
return "", ""
return (data.get("headline") or "").strip(), (data.get("content") or "").strip()
async def _process_one(db: aiosqlite.Connection, src: dict) -> None:
sid = src["id"]
name = src["name"] or "PDF"
rel_path = src["pdf_path"]
if not rel_path:
logger.warning("PDF-Source #%d ohne pdf_path, ueberspringe", sid)
return
abs_path = rel_path if os.path.isabs(rel_path) else os.path.join(
os.path.dirname(DB_PATH), rel_path
)
if not os.path.exists(abs_path):
logger.error("PDF-Datei fehlt fuer Source #%d: %s", sid, abs_path)
# auf processed_at setzen aber Notiz hinterlegen, damit kein Endlos-Retry
await db.execute(
"UPDATE sources SET processed_at = CURRENT_TIMESTAMP, "
"notes = COALESCE(notes,'') || ' [PDF-Datei nicht gefunden]' WHERE id = ?",
(sid,),
)
await db.commit()
return
logger.info("PDF-Ingest start: source #%d (%s)", sid, abs_path)
try:
text, method = await asyncio.to_thread(_extract_text, abs_path)
except Exception as e:
logger.exception("PDF-Extraktion fehlgeschlagen fuer #%d: %s", sid, e)
await db.execute(
"UPDATE sources SET processed_at = CURRENT_TIMESTAMP, "
"notes = COALESCE(notes,'') || ' [PDF-Extraktion fehlgeschlagen]' WHERE id = ?",
(sid,),
)
await db.commit()
return
if not text:
logger.warning("PDF #%d ergab keinen Text (auch OCR leer)", sid)
await db.execute(
"UPDATE sources SET processed_at = CURRENT_TIMESTAMP, "
"notes = COALESCE(notes,'') || ' [PDF leer/nicht lesbar]' WHERE id = ?",
(sid,),
)
await db.commit()
return
fallback_name = re.sub(r"\.pdf$", "", os.path.basename(abs_path), flags=re.I)
headline = _derive_headline(text, fallback_name)
# Hochgeladene PDFs sind meist deutsch oder englisch; LLM kann das im Prompt erkennen
src_lang = (src.get("language") or "").lower() or "auto"
# Wir senden parallel DE + EN
(de_h, de_c), (en_h, en_c) = await asyncio.gather(
_translate(text, headline, "de"),
_translate(text, headline, "en"),
)
# Originaltext kappen, damit articles-Tabelle handhabbar bleibt
content_original = text[:5000]
await db.execute(
"""INSERT INTO articles (incident_id, headline, headline_de, headline_en,
source, source_url, content_original, content_de, content_en, language,
published_at, tenant_id, verification_status)
VALUES (NULL, ?, ?, ?, ?, ?, ?, ?, ?, ?, NULL, ?, 'unverified')""",
(
headline,
de_h or None,
en_h or None,
name,
f"pdf://{src.get('pdf_sha256') or sid}",
content_original,
de_c or None,
en_c or None,
src_lang if src_lang != "auto" else None,
src.get("tenant_id"),
),
)
await db.execute(
"UPDATE sources SET processed_at = CURRENT_TIMESTAMP, article_count = article_count + 1, "
"last_seen_at = CURRENT_TIMESTAMP WHERE id = ?",
(sid,),
)
await db.commit()
logger.info("PDF-Ingest fertig: source #%d (%s, %d Zeichen)", sid, method, len(text))
async def run_once() -> int:
"""Verarbeitet alle pdf_document-Sources ohne processed_at. Returnt Anzahl.
Wird vom APScheduler als interval-Job aufgerufen. Pro Tick max 5 PDFs,
damit ein hochgeladener Stapel nicht einen einzelnen Lauf monopolisiert.
"""
async with aiosqlite.connect(DB_PATH) as db:
db.row_factory = aiosqlite.Row
cursor = await db.execute(
"SELECT id, name, pdf_path, pdf_sha256, language, tenant_id "
"FROM sources WHERE source_type = 'pdf_document' AND processed_at IS NULL "
"ORDER BY created_at ASC LIMIT 5"
)
rows = [dict(r) for r in await cursor.fetchall()]
for src in rows:
try:
await _process_one(db, src)
except Exception:
logger.exception("PDF-Ingest unerwarteter Fehler bei source #%d", src["id"])
return len(rows)