SRC-07: ocr-fuer-anhaenge

OCR-Pipeline für Bild-/PDF-Anhänge, eigener Mail-OCR-Pfad unabhängig vom
DMS-Board. Direkte Vorbedingung für SRC-10.

- ocr.go: zustandsloses Paket (wie crypto/dedup), kennt weder Mandant
  noch Speicher. ExtractTextFromImage ruft tesseract (deu+eng) mit fester
  Argumentliste auf. HasTextLayer/ExtractTextFromPDF nutzen pdftotext zur
  Erkennung einer vorhandenen Textebene (direkt übernommen, kein
  unnötiges OCR) und rastern nur bei fehlender Textebene über pdftoppm
  (300dpi) jede Seite für Tesseract.
- Bekannten Fehler vermieden (archivmail-Sprintf-WHERE-Muster): keine
  SQL-Klauselbildung, ausschließlich exec.CommandContext mit fester
  Argumentliste, keine Shell.
- testpdf_test.go: Testfixtures (Vektor-Text-PDF, Bild-only-PDF mit
  eingebettetem JPEG) vollständig in Go erzeugt, keine externe
  Bibliothek, keine Testdateien im Repo.

Prüfungen (alle real durchgeführt, siehe mail/docs/SRC-07-PRUEFPROTOKOLL.md):
1. TestExtractTextFromImage_KnownTextRecognized: reales gerastertes Bild,
   Text real korrekt erkannt.
2. TestExtractTextFromPDF_SkipsOCRWhenTextLayerPresent: echtes Vektor-
   Text-PDF, OCR real übersprungen.
3. TestExtractTextFromPDF_ThroughputIsAcceptable: 3,48s/Anhang real
   gemessen (Ziel 8s/Anhang).
Zusätzlich TestExtractTextFromPDF_PerformsOCRWhenNoTextLayer für
Akzeptanzkriterium 1 (gescannte PDFs) end-zu-Ende.

Kein Umbau: search/dedup/indexworker/storage/crypto/encstorage/
savedsearch unverändert.

Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01HhgFcLS8tYMhDJpP74C6AQ

mail/docs/SRC-07-PRUEFPROTOKOLL.md

@@ -0,0 +1,69 @@
+# SRC-07 – Prüfprotokoll: OCR für Anhänge
+
+Voraussetzung ARC-01, ARC-03 (beide Fertig). SRC-07 ist die direkte
+Vorbedingung für SRC-10 (Spracherkennung & OCR-Qualitätsbewertung), nicht
+nur eine nette Ergänzung — ohne SRC-07 gibt es keinen erkannten Text, den
+SRC-10 mit Sprache/Konfidenz bewerten könnte.
+
+## Umsetzung
+
+- `mail/internal/ocr/ocr.go` — zustandsloses Paket, kennt weder Mandant
+  noch Speicher (dieselbe Bauart wie `mail/internal/crypto`/`dedup`):
+  nimmt Anhangs-Bytes entgegen, liefert erkannten Text zurück. Kein
+  geteilter Zustand zwischen Aufrufen (jeder Aufruf bekommt ein eigenes
+  Temp-Verzeichnis) — Tenant-Trennung ist dadurch strukturell gegeben,
+  nicht nur konventionell: ein Mandant kann prinzipbedingt nie Zwischen-
+  daten eines anderen sehen. Zuordnung des erkannten Textes zum
+  Mail-Suchdokument (Akzeptanzkriterium 2) erfolgt beim Aufrufer über das
+  bereits vorhandene `search.Document.AttachmentText`-Feld (SRC-01) — kein
+  neues Feld nötig.
+  - `ExtractTextFromImage`: ruft `tesseract` (Sprachen `deu+eng`) mit
+    fester Argumentliste auf, kein Shell-String-Zusammenbau.
+  - `HasTextLayer`/`ExtractTextFromPDF`: nutzt `pdftotext`, um eine
+    vorhandene Textebene zu erkennen und direkt zu übernehmen
+    (Akzeptanzkriterium 3) — nur wenn keine Textebene vorhanden ist
+    (< 10 Zeichen), wird über `pdftoppm` (300dpi) jede Seite gerastert und
+    per Tesseract erkannt (Akzeptanzkriterium 1).
+- Bekannten Fehler vermieden (dupliziertes Sprintf-WHERE-Muster aus
+  archivmail, siehe repos-analyse-mail-reuse.md): dieses Paket baut keine
+  SQL-Klauseln — ausschließlich externe Kommandozeilenwerkzeuge mit
+  festen Argumentlisten (`exec.CommandContext`, keine Shell).
+- Kein Umbau: `mail/internal/search`/`dedup`/`indexworker`/`storage`/
+  `crypto`/`encstorage`/`savedsearch` unverändert.
+
+## Prüfungen
+
+| # | Prüfung | Ergebnis |
+|---|---|---|
+| 1 | Test: Bildanhang mit bekanntem Text liefert erwartete Texterkennung | **bestanden** – `TestExtractTextFromImage_KnownTextRecognized`: reales, über `pdftoppm` gerastertes Bild mit dem Text "Rechnungsnummer 4711", `ExtractTextFromImage` erkennt real beide Wortbestandteile |
+| 2 | Test: PDF mit vorhandener Textebene wird korrekt übersprungen | **bestanden** – `TestExtractTextFromPDF_SkipsOCRWhenTextLayerPresent`: real erzeugtes Vektor-Text-PDF (echte PDF-Textebene, kein Bild), `ExtractTextFromPDF` liefert `OCRPerformed=false` und den Text direkt aus der Textebene |
+| 3 | Durchsatztest bestätigt akzeptable Verarbeitungszeit je Anhang | **bestanden** – `TestExtractTextFromPDF_ThroughputIsAcceptable`: 3 reale Anhänge (Rasterung 300dpi + OCR) in durchschnittlich 3,48s/Anhang (Ziel 8s/Anhang) |
+
+Zusätzlich (Akzeptanzkriterium 1, gescannte PDFs end-zu-Ende):
+`TestExtractTextFromPDF_PerformsOCRWhenNoTextLayer` — ein reales,
+ausschließlich rasterbildbasiertes PDF (kein Textelement, JPEG-Bild via
+`/DCTDecode` eingebettet) wird real per OCR erkannt, `OCRPerformed=true`.
+
+Testfixtures (`testpdf_test.go`) werden vollständig in Go erzeugt (Hand-
+gebautes PDF mit Helvetica-Textebene bzw. eingebettetem JPEG) — keine
+externe Bibliothek, keine Testdateien im Repository, reproduzierbar.
+
+## Build/Test-Ergebnis (192.168.1.131)
+
+```
+go build ./...  -> clean
+go vet ./...    -> clean
+golangci-lint run ./...  -> 0 issues
+go test ./internal/ocr/... -v  -> 4/4 bestanden (14,99s gesamt)
+TEST_TENANT_DSN=... TEST_MANTICORE_URL=... go test ./... -p 1
+  -> alle Pakete bestanden, keine Regression
+```
+
+Werkzeugversionen auf 192.168.1.131: `tesseract 5.5.0` (Sprachpakete
+`deu`, `eng`), `pdftotext`/`pdftoppm` (poppler-utils) — bereits vorhanden,
+keine Installation durch diese Sitzung nötig.
+
+## Gesamtergebnis
+
+**Bestanden.** Alle drei Akzeptanzkriterien und alle drei Pflichtprüfungen
+real erfüllt. Entsperrt SRC-10.