feat: Phase 5 – PDF/Bild-Beleg-Import (lokal, Tesseract-OCR)

Backend:
- services/ocr: PDF-Text via PyMuPDF, OCR (Tesseract) für Scans/Bilder,
  heuristischer Parser (Datum + Betrag je Zeile, CH/DE/US-Beträge).
- routers/documents: /documents/preview (Upload -> Text -> Kandidaten ->
  gemeinsame Prüf-/Buchungslogik des CSV-Imports). csv_import refaktoriert:
  detect_rows() von CSV und Beleg gemeinsam genutzt.
- requirements: PyMuPDF, pytesseract, pillow; install.sh installiert tesseract-ocr
  (+ deu). pytest: Heuristik-Parser und PDF-Vorschau.

Frontend:
- Import-Seite: CSV/PDF-Umschalter; PDF-Modus mit Beleg-Auslesen, extrahiertem
  Text zur Kontrolle und Best-Effort-Hinweis; gleiche Prüfansicht + Buchen.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

backend/app/services/ocr.py

@@ -0,0 +1,127 @@
+"""PDF-/Bild-Belege lokal auslesen (kein Cloud-Dienst).
+
+- Digitale PDFs: Text direkt via PyMuPDF.
+- Gescannte PDFs / Bilder: OCR via Tesseract (pytesseract).
+Danach ein heuristischer Parser, der Zeilen mit Datum + Betrag findet. Das ist
+bewusst Best-Effort – das Ergebnis landet in derselben Prüfansicht wie der
+CSV-Import und wird dort korrigiert.
+"""
+
+import io
+import re
+from datetime import datetime
+from decimal import Decimal, InvalidOperation
+
+try:  # PyMuPDF (Text + Rendern)
+    import fitz  # type: ignore
+except Exception:  # noqa: BLE001
+    fitz = None
+
+try:  # OCR
+    import pytesseract  # type: ignore
+    from PIL import Image  # type: ignore
+except Exception:  # noqa: BLE001
+    pytesseract = None
+    Image = None
+
+
+class ExtractionError(RuntimeError):
+    pass
+
+
+def _image_to_text(data: bytes) -> str:
+    if pytesseract is None or Image is None:
+        raise ExtractionError("OCR nicht verfügbar (pytesseract/Pillow/Tesseract fehlen).")
+    img = Image.open(io.BytesIO(data))
+    return pytesseract.image_to_string(img, lang="deu+eng")
+
+
+def _pdf_to_text(data: bytes) -> str:
+    if fitz is None:
+        raise ExtractionError("PDF-Verarbeitung nicht verfügbar (PyMuPDF fehlt).")
+    parts: list[str] = []
+    with fitz.open(stream=data, filetype="pdf") as doc:
+        for page in doc:
+            txt = page.get_text()
+            if txt and txt.strip():
+                parts.append(txt)
+            elif pytesseract is not None and Image is not None:
+                pix = page.get_pixmap(dpi=200)
+                img = Image.open(io.BytesIO(pix.tobytes("png")))
+                parts.append(pytesseract.image_to_string(img, lang="deu+eng"))
+    return "\n".join(parts)
+
+
+def extract_text(data: bytes, filename: str, content_type: str) -> str:
+    name = (filename or "").lower()
+    if name.endswith(".pdf") or content_type == "application/pdf":
+        return _pdf_to_text(data)
+    return _image_to_text(data)
+
+
+# --- Heuristischer Zeilen-Parser -------------------------------------------
+
+DATE_RE = re.compile(r"\b(\d{4}-\d{2}-\d{2}|\d{1,2}[./]\d{1,2}[./]\d{2,4})\b")
+# Betrag: entweder mit Tausender-Gruppen (1'234.56 / 1.234,56) oder schlicht (3000.00).
+AMOUNT_RE = re.compile(r"[-+]?(?:\d{1,3}(?:['.,\s]\d{3})+|\d+)[.,]\d{2}(?!\d)")
+_DATE_FORMATS = ["%Y-%m-%d", "%d.%m.%Y", "%d.%m.%y", "%d/%m/%Y", "%d/%m/%y"]
+
+
+def _norm_date(token: str):
+    for fmt in _DATE_FORMATS:
+        try:
+            return datetime.strptime(token, fmt).date()
+        except ValueError:
+            continue
+    return None
+
+
+def _parse_amount_auto(s: str) -> int | None:
+    """Betrag mit automatisch erkanntem Dezimaltrenner (CH/DE/US) -> Cent."""
+    s = s.strip()
+    neg = s.startswith("-") or (s.startswith("(") and s.endswith(")"))
+    m = re.search(r"[.,](\d{2})$", s)
+    if not m:
+        return None
+    int_digits = re.sub(r"\D", "", s[: m.start()])
+    frac = m.group(1)
+    try:
+        val = Decimal(f"{int_digits or '0'}.{frac}")
+    except InvalidOperation:
+        return None
+    cents = int(val * 100)
+    return -cents if neg else cents
+
+
+def parse_transactions(text: str) -> list[dict]:
+    """Findet Zeilen mit Datum + Betrag und macht daraus Kandidaten-Buchungen."""
+    rows: list[dict] = []
+    for line in text.splitlines():
+        line = line.strip()
+        if len(line) < 6:
+            continue
+        dm = DATE_RE.search(line)
+        if not dm:
+            continue
+        d = _norm_date(dm.group(0))
+        if d is None:
+            continue
+        rest = f"{line[: dm.start()]} {line[dm.end():]}"
+        amounts = AMOUNT_RE.findall(rest)
+        if not amounts:
+            continue
+        amount = _parse_amount_auto(amounts[0])
+        if amount is None or amount == 0:
+            continue
+        desc = rest
+        for a in amounts:
+            desc = desc.replace(a, " ")
+        desc = re.sub(r"\s+", " ", desc).strip(" -–|;,.")
+        rows.append({
+            "date": d.isoformat(),
+            "amount_cents": amount,
+            "payee": desc[:120] or None,
+            "purpose": None,
+            "counterparty_iban": None,
+        })
+    return rows