nexarch/dms/internal/batchsplit/batchsplit.go

// Package batchsplit teilt einen Scan-Stapel (Mehrseiten-PDF) an Trennseiten
// in Einzeldokumente (INT-06). Die Erkennung der Trennseite steckt hinter
// Classifier (Textmarker, Leerseite, Barcode; INT-10).
package batchsplit

import (
	"bytes"
	"errors"
	"fmt"
	"os"
	"path/filepath"
	"regexp"
	"strconv"

	"github.com/pdfcpu/pdfcpu/pkg/api"

	"gitea.perlbach24.de/scripte/nexarch/dms/internal/pdfcfg"
)

const DefaultMarker = "NEXARCH-TRENNSEITE"

var (
	ErrOnlySeparators = errors.New("batchsplit: stapel enthaelt nur trennseiten")
	ErrNoRenderer     = errors.New("batchsplit: seitenrasterung fuer die trennseitenerkennung nicht verfuegbar")
)

type Detector interface {
	IsSeparator(pageContent []byte) bool
}

// MarkerDetector erkennt eine Trennseite an einem Textmarker im Seiteninhalt.
type MarkerDetector struct{ Marker string }

func (d MarkerDetector) IsSeparator(pageContent []byte) bool {
	m := d.Marker
	if m == "" {
		m = DefaultMarker
	}
	return bytes.Contains(pageContent, []byte("("+m+")"))
}

var pagePattern = regexp.MustCompile(`_Content_page_(\d+)\.txt$`)

// Part ist ein Teildokument; Value ist der Wert der davorliegenden
// Barcode-Trennseite (leer, wenn keine vorhanden).
type Part struct {
	Content []byte
	Value   string
}

// Split liefert die Einzeldokumente in Seitenreihenfolge; Trennseiten
// selbst entfallen. Ohne Trennseite kommt der Eingang unveraendert als
// einziges Element zurueck.
func Split(content []byte, d Detector) ([][]byte, error) {
	parts, err := SplitParts(content, DetectorClassifier{d}, nil)
	if err != nil {
		return nil, err
	}
	out := make([][]byte, len(parts))
	for i, p := range parts {
		out[i] = p.Content
	}
	return out, nil
}

// SplitParts wie Split, mit seitenweiser Klassifikation; r wird nur benoetigt,
// wenn c gerasterte Seiten verlangt (Leerseiten, Barcodes).
func SplitParts(content []byte, c Classifier, r Renderer) ([]Part, error) {
	dir, err := os.MkdirTemp("", "batchsplit-*")
	if err != nil {
		return nil, fmt.Errorf("batchsplit: temp-verzeichnis anlegen: %w", err)
	}
	defer func() { _ = os.RemoveAll(dir) }()

	in := filepath.Join(dir, "in.pdf")
	if err := os.WriteFile(in, content, 0o600); err != nil {
		return nil, fmt.Errorf("batchsplit: quelldatei schreiben: %w", err)
	}
	conf := pdfcfg.Default()
	pages, err := api.PageCountFile(in)
	if err != nil {
		return nil, fmt.Errorf("batchsplit: seitenzahl ermitteln: %w", err)
	}
	contentDir := filepath.Join(dir, "content")
	if err := os.Mkdir(contentDir, 0o700); err != nil {
		return nil, err
	}
	if err := api.ExtractContentFile(in, contentDir, nil, conf); err != nil {
		return nil, fmt.Errorf("batchsplit: seiteninhalt lesen: %w", err)
	}
	files, err := filepath.Glob(filepath.Join(contentDir, "*_Content_page_*.txt"))
	if err != nil {
		return nil, err
	}
	streams := make([][]byte, pages+1)
	for _, f := range files {
		m := pagePattern.FindStringSubmatch(f)
		if m == nil {
			continue
		}
		n, _ := strconv.Atoi(m[1])
		if n < 1 || n > pages {
			continue
		}
		b, err := os.ReadFile(f)
		if err != nil {
			return nil, fmt.Errorf("batchsplit: seiteninhalt %d lesen: %w", n, err)
		}
		streams[n] = b
	}

	var rendered map[int]string
	if c.NeedsImage() {
		if r == nil {
			return nil, ErrNoRenderer
		}
		rendered, err = r.Render(in, dir)
		if err != nil {
			return nil, fmt.Errorf("batchsplit: seiten rastern: %w", err)
		}
	}

	separator := make([]bool, pages+1)
	values := make([]string, pages+1)
	anySeparator := false
	for n := 1; n <= pages; n++ {
		cls, err := c.Classify(newPage(n, streams[n], rendered[n]))
		if err != nil {
			return nil, fmt.Errorf("batchsplit: seite %d klassifizieren: %w", n, err)
		}
		separator[n], values[n] = cls.Separator, cls.Value
		anySeparator = anySeparator || cls.Separator
	}

	ranges := runs(separator, pages)
	if !anySeparator {
		return []Part{{Content: content}}, nil
	}
	if len(ranges) == 0 {
		return nil, ErrOnlySeparators
	}

	out := make([]Part, 0, len(ranges))
	prevEnd := 0
	for i, rg := range ranges {
		dst := filepath.Join(dir, fmt.Sprintf("out-%d.pdf", i))
		if err := api.TrimFile(in, dst, []string{fmt.Sprintf("%d-%d", rg[0], rg[1])}, conf); err != nil {
			return nil, fmt.Errorf("batchsplit: teildokument %d-%d erzeugen: %w", rg[0], rg[1], err)
		}
		b, err := os.ReadFile(dst)
		if err != nil {
			return nil, err
		}
		value := ""
		for p := rg[0] - 1; p > prevEnd; p-- {
			if values[p] != "" {
				value = values[p]
				break
			}
		}
		out = append(out, Part{Content: b, Value: value})
		prevEnd = rg[1]
	}
	return out, nil
}

func runs(separator []bool, pages int) [][2]int {
	var out [][2]int
	start := 0
	for p := 1; p <= pages; p++ {
		if separator[p] {
			if start != 0 {
				out = append(out, [2]int{start, p - 1})
				start = 0
			}
			continue
		}
		if start == 0 {
			start = p
		}
	}
	if start != 0 {
		out = append(out, [2]int{start, pages})
	}
	return out
}