Merge pull request 'paperless_to_openwebui.py aktualisiert' (#1) from feature-ocr-fix into main

Reviewed-on: #1

paperless_to_openwebui.py

@@ -38,6 +38,17 @@ MAX_TEXT_LENGTH = int(os.getenv("MAX_TEXT_LENGTH", "2000000"))
 
 KNOWLEDGE_ID    = None
 
+# ============================================================
+# CONFIG – Ergänzung für OCR-Fix
+# ============================================================
+LLM_BASE_URL       = os.environ.get("LLM_BASE_URL", "http://ollama:11434/v1")
+LLM_API_KEY        = os.environ.get("LLM_API_KEY", "unused")
+LLM_MODEL          = os.environ.get("LLM_MODEL", "gemma3:12b")
+OCR_FIX_ENABLED    = os.environ.get("OCR_FIX_ENABLED", "true").lower() == "true"
+SPACING_THRESHOLD  = float(os.environ.get("SPACING_THRESHOLD", "0.5"))
+MIN_SPACED_LINES   = int(os.environ.get("MIN_SPACED_LINES", "3"))
+LLM_CHUNK_SIZE     = int(os.environ.get("LLM_CHUNK_SIZE", "2000"))
+
 # ============================================================
 # LOGGING
 # ============================================================
@@ -58,6 +69,16 @@ openwebui_headers = {
     "Authorization": f"Bearer {OPENWEBUI_TOKEN}",
 }
 
+
+from openai import OpenAI
+
+# ============================================================
+# LLM CLIENT
+# ============================================================
+if OCR_FIX_ENABLED:
+    llm_client = OpenAI(base_url=LLM_BASE_URL, api_key=LLM_API_KEY)
+    log.info("OCR fix enabled, using model: %s", LLM_MODEL)
+
 # ============================================================
 # SPLITTER
 # ============================================================
@@ -544,6 +565,108 @@ def upload_to_openwebui(filename: str, content: str):
         except Exception:
             pass
 
+# ============================================================
+# OCR FIX VIA LLM
+# ============================================================
+OCR_FIX_SYSTEM_PROMPT = """Du bist ein OCR-Nachbearbeitungs-Assistent.
+Deine Aufgabe ist es, fehlerhaft erkannten Text zu korrigieren.
+
+Regeln:
+- Entferne falsche Leerzeichen in gesperrtem Text (z.B. "V e r t r a g" → "Vertrag")
+- Korrigiere offensichtliche OCR-Fehler (0/O, l/1, rn/m, etc.)
+- Behalte die ursprüngliche Struktur bei (Absätze, Zeilenumbrüche, Aufzählungen)
+- Erfinde KEINE Inhalte hinzu
+- Wenn der Text bereits korrekt ist, gib ihn unverändert zurück
+- Gib NUR den korrigierten Text zurück, keine Erklärungen"""
+
+
+def needs_ocr_fix(text: str) -> bool:
+    """Schneller Vorfilter: Hat der Text gesperrte Zeichen?"""
+    if not text or len(text) < 50:
+        return False
+
+    lines = text.split('\n')
+    spaced_lines = 0
+
+    for line in lines:
+        stripped = line.strip()
+        if len(stripped) < 5:
+            continue
+        non_space = stripped.replace(' ', '')
+        if len(non_space) > 0:
+            ratio = stripped.count(' ') / len(non_space)
+            if ratio > SPACING_THRESHOLD:
+                spaced_lines += 1
+
+    return spaced_lines >= MIN_SPACED_LINES
+
+
+def fix_text_with_llm(text: str) -> str:
+    """Schickt einen Textblock zur Korrektur ans LLM."""
+    try:
+        response = llm_client.chat.completions.create(
+            model=LLM_MODEL,
+            messages=[
+                {"role": "system", "content": OCR_FIX_SYSTEM_PROMPT},
+                {"role": "user", "content": f"Korrigiere folgenden OCR-Text:\n\n{text}"}
+            ],
+            temperature=0.0,
+        )
+        return response.choices[0].message.content
+    except Exception as e:
+        log.error("LLM OCR fix failed: %s", e)
+        return text  # Fallback: Originaltext
+
+
+def fix_ocr_chunked(content: str) -> str:
+    """Verarbeitet langen Text absatzweise durchs LLM."""
+    paragraphs = content.split('\n\n')
+    chunks = []
+    current_chunk = ""
+
+    for para in paragraphs:
+        if len(current_chunk) + len(para) > LLM_CHUNK_SIZE:
+            if current_chunk:
+                chunks.append(current_chunk)
+            current_chunk = para
+        else:
+            current_chunk += ("\n\n" + para if current_chunk else para)
+
+    if current_chunk:
+        chunks.append(current_chunk)
+
+    fixed_chunks = []
+    for i, chunk in enumerate(chunks):
+        log.debug("  LLM fix chunk %d/%d", i + 1, len(chunks))
+        fixed_chunks.append(fix_text_with_llm(chunk))
+        time.sleep(0.2)
+
+    return "\n\n".join(fixed_chunks)
+
+
+def update_paperless_content(doc_id: int, new_content: str) -> bool:
+    """Schreibt korrigierten Text zurück nach Paperless."""
+    try:
+        r = requests.patch(
+            f"{PAPERLESS_URL}/api/documents/{doc_id}/",
+            headers={**paperless_headers, "Content-Type": "application/json"},
+            json={"content": new_content},
+            timeout=120,
+        )
+        if r.ok:
+            log.info("Updated Paperless content for doc=%s", doc_id)
+            return True
+        else:
+            log.warning(
+                "Failed to update Paperless content doc=%s status=%s",
+                doc_id, r.status_code,
+            )
+            return False
+    except Exception as e:
+        log.error("Paperless content update failed doc=%s: %s", doc_id, e)
+        return False
+
+            
 # ============================================================
 # SYNC – parallelisiert
 # ============================================================