Test PyMuPdf and PDFMiner

.gitignore

@@ -0,0 +1 @@
+.DS_Store

prototypes/PDFMiner/test.py

@@ -0,0 +1,21 @@
+from pdfminer.layout import LAParams, LTTextBox
+from pdfminer.pdfpage import PDFPage
+from pdfminer.pdfinterp import PDFResourceManager
+from pdfminer.pdfinterp import PDFPageInterpreter
+from pdfminer.converter import PDFPageAggregator
+
+fp = open('Teaser_5_OCR-MY-PDF.pdf', 'rb')
+rsrcmgr = PDFResourceManager()
+laparams = LAParams()
+device = PDFPageAggregator(rsrcmgr, laparams=laparams)
+interpreter = PDFPageInterpreter(rsrcmgr, device)
+pages = PDFPage.get_pages(fp)
+
+for page in pages:
+    print('Processing next page...')
+    interpreter.process_page(page)
+    layout = device.get_result()
+    for lobj in layout:
+        if isinstance(lobj, LTTextBox):
+            x, y, text = lobj.bbox[0], lobj.bbox[3], lobj.get_text()
+            print('At %r is text: %s' % ((x, y), text))

prototypes/PyMuPdf/kennzahlen.json

@@ -0,0 +1,10 @@
+[
+    {"Kennzahl": "Risikoprofil", "Value": "Core", "Seite": 3},
+    {"Kennzahl": "Risikoprofil", "Value": "Core", "Seite": 16},
+    {"Kennzahl": "Marktwert", "Value": "188m", "Seite": 3},
+    {"Kennzahl": "Test", "Value": "structure", "Seite": 5},
+    {"Kennzahl": "Test", "Value": "Netherlands", "Seite": 6},
+    {"Kennzahl": "Test", "Value": "Sweden", "Seite": 9},
+    {"Kennzahl": "Test", "Value": "Sound Public Finances", "Seite":  10},
+    {"Kennzahl": "Test", "Value": "Very Good”", "Seite": 16}
+]

prototypes/PyMuPdf/prototype.py

@@ -0,0 +1,80 @@
+import streamlit as st
+import fitz  # PyMuPDF
+import base64
+import json
+import pandas as pd
+import os
+
+st.set_page_config(layout="wide")
+st.title("PDF-Highlighter für Kennzahlen")
+
+# PDF-Datei im Ordner
+pdf_filename = "Teaser_5_OCR-MY-PDF Kopie.pdf"
+json_filename = "kennzahlen.json"
+
+# PDF öffnen
+if not os.path.exists(pdf_filename):
+    st.error(f"PDF-Datei '{pdf_filename}' nicht gefunden.")
+    st.stop()
+if not os.path.exists(json_filename):
+    st.error(f"JSON-Datei '{json_filename}' nicht gefunden.")
+    st.stop()
+
+doc = fitz.open(pdf_filename)
+
+# JSON laden
+with open(json_filename, "r") as f:
+    kennzahlen = json.load(f)
+
+# Highlights einfügen
+for eintrag in kennzahlen:
+    value = eintrag["Value"]
+    try:
+        seite = int(str(eintrag["Seite"]).strip()) - 1
+        if 0 <= seite < len(doc):
+            page = doc[seite]
+            matches = page.search_for(value)
+            for rect in matches:
+                highlight = page.add_highlight_annot(rect)
+                highlight.update()
+        else:
+            st.warning(f" Seite {seite + 1} existiert nicht (PDF hat nur {len(doc)} Seiten)")
+    except Exception as e:
+        st.error(f" Fehler bei Eintrag {eintrag}: {e}")
+
+# Neues PDF speichern
+highlighted_path = pdf_filename.replace(".pdf", "_highlighted.pdf")
+doc.save(highlighted_path)
+doc.close()
+
+# Seite-Auswahl
+st.subheader("Kennzahlen-Tabelle")
+df = pd.DataFrame(kennzahlen)
+
+
+# Streamlit Tabelle mit klickbaren Seitenzahlen
+def make_clickable(seite):
+    return f'<a href="?seite={seite}" target="_self">{seite}</a>'
+
+
+df["Seite"] = df["Seite"].apply(make_clickable)
+st.markdown(df.to_html(escape=False, index=False), unsafe_allow_html=True)
+
+# Seite aus URL laden
+query_params = st.query_params
+
+aktuelle_seite = int(query_params.get("seite", 1))
+
+# PDF anzeigen mit Scroll zu aktueller Seite
+st.subheader(f"Vorschau")
+with open(highlighted_path, "rb") as f:
+    base64_pdf = base64.b64encode(f.read()).decode('utf-8')
+
+# Seite direkt ansteuern
+pdf_display = f'''
+<iframe 
+    src="data:application/pdf;base64,{base64_pdf}#page={aktuelle_seite}" 
+    width="100%" height="800px" type="application/pdf">
+</iframe>
+'''
+st.markdown(pdf_display, unsafe_allow_html=True)