Steuerrechnungstool/pdf_parser.py

# -*- coding: utf-8 -*-
"""
Liest eine Rechnungs-PDF des Rechnungstools (Campinghof Bartl) und macht
daraus eine Buchung fürs Steuerjournal.

Der PDF-Text ist zeilenweise aufgebaut: erst das Label, dann in der
nächsten Zeile der Wert.

    Rechnung an:
    Familie Peter Meier
    Musterweg 12
     Rechnungsnummer:
    2026-238
     Rechnungsdatum:
    12.07.2026
     Zeitraum:
    3 Nächte
    ...
     Zwischensumme:
     87,00 €
     zzgl. Beherbergungssteuer (5 %):
     4,35 €
     Gesamtbetrag:
     91,35 €

Nur Seite 1 wird gelesen – Seite 2 ist die 1:1-Kopie fürs Amt.
"""

import os
import re
import json
import logging
from datetime import datetime, date

from pypdf import PdfReader

from modell import Buchung, STANDARD_SATZ, zahl_aus_text, runde, zerlege_nummer

log = logging.getLogger("bst.pdf")

# Labels, hinter denen der Wert in der nächsten Zeile steht
RE_NUMMER = re.compile(r"^\s*Rechnungsnummer:\s*$", re.I)
RE_DATUM = re.compile(r"^\s*Rechnungsdatum:\s*$", re.I)
RE_ANREISE = re.compile(r"^\s*Anreise:\s*$", re.I)
RE_ABREISE = re.compile(r"^\s*Abreise:\s*$", re.I)
RE_ZEITRAUM = re.compile(r"^\s*Zeitraum:\s*$", re.I)
RE_KUNDE = re.compile(r"^\s*Rechnung an:\s*$", re.I)
RE_ZWISCHEN = re.compile(r"^\s*Zwischensumme:\s*$", re.I)
RE_GESAMT = re.compile(r"^\s*Gesamtbetrag:\s*$", re.I)
# "zzgl. Beherbergungssteuer (5 %):"  – Satz steht in der Klammer
RE_AUFSCHLAG = re.compile(r"^\s*zzgl\.\s*(?P<name>.+?)\s*\(\s*(?P<satz>[\d.,]+)\s*%\s*\):\s*$", re.I)
RE_NAECHTE = re.compile(r"(\d+)")


class ParserFehler(Exception):
    """Die Datei ist keine (lesbare) Rechnung dieses Tools."""


def _text_seite1(pfad: str) -> str:
    reader = PdfReader(pfad)
    if not reader.pages:
        raise ParserFehler("PDF hat keine Seiten")
    return reader.pages[0].extract_text() or ""


def _naechster_wert(zeilen, i: int) -> str:
    """Erste nicht-leere Zeile nach Index i."""
    for z in zeilen[i + 1:]:
        if z.strip():
            return z.strip()
    return ""


def _block_nach(zeilen, i: int, hoechstens: int = 5):
    """
    Die Zeilen des Adressblocks nach 'Rechnung an:' – bis zum nächsten Label
    (z.B. 'Rechnungsnummer:'). Anrede, Name, Zusatz, Straße, PLZ/Ort.
    """
    block = []
    for z in zeilen[i + 1:]:
        if not z.strip():
            continue
        if z.strip().endswith(":"):     # nächstes Label -> Adressblock zu Ende
            break
        block.append(z.strip())
        if len(block) >= hoechstens:
            break
    return block


def _datum(text: str) -> date:
    for fmt in ("%d.%m.%Y", "%d.%m.%y", "%Y-%m-%d"):
        try:
            return datetime.strptime(text.strip(), fmt).date()
        except ValueError:
            continue
    raise ParserFehler(f"Datum nicht lesbar: {text!r}")


RECHTSFORM = {"gmbh", "ag", "kg", "ug", "gbr", "ohg", "mbh", "e.k.", "ek", "eg", "se",
              "gmbh & co. kg", "verein", "e.v."}
NAMENSZUSATZ = {"van", "von", "de", "der", "den", "di", "du", "le", "la", "el", "al",
                "ten", "ter", "zu", "vom", "zum", "zur", "mc", "mac", "o'"}
# Das Rechnungstool hat ein eigenes Feld "Anrede (optional)" über "Name / Firma".
# Steht dort etwas, ist es die erste Zeile unter "Rechnung an:" – und darf NICHT
# als Name durchgehen.
ANREDE = {"herr", "herrn", "frau", "familie", "fam", "eheleute", "firma", "hr", "fr",
          "dr", "prof", "mr", "mrs", "ms", "und", "&", "an", "die", "z.h.", "zhd"}


def _nur_anrede(zeile: str) -> bool:
    """True, wenn die Zeile ausschließlich aus Anrede-Wörtern besteht ('Herr', 'Familie')."""
    teile = str(zeile or "").split()
    return bool(teile) and all(t.lower().strip(".,") in ANREDE for t in teile)


def _ohne_anrede(zeile: str) -> str:
    """Führende Anrede-Wörter abschneiden: 'Firma Muster GmbH' -> 'Muster GmbH'."""
    teile = str(zeile or "").split()
    while teile and teile[0].lower().strip(".,") in ANREDE:
        teile.pop(0)
    return " ".join(teile)


def nachname_aus_zeile(zeile: str) -> str:
    """
    'Familie Peter Meier'    -> 'Meier'
    'Anna Schmidt-Lorenz'    -> 'Schmidt-Lorenz'
    'Meier, Peter'           -> 'Meier'
    'Familie van Dijk'       -> 'van Dijk'          (Namenszusatz bleibt dran)
    'Hentschke Bau GmbH'     -> 'Hentschke Bau GmbH' (Firma komplett)
    'Firma Muster GmbH'      -> 'Muster GmbH'        (Anrede vorn fällt weg)
    """
    z = " ".join(_ohne_anrede(zeile).split())
    if not z:
        return ""
    if "," in z:                        # "Nachname, Vorname"
        return z.split(",", 1)[0].strip()

    teile = z.split()
    if teile[-1].lower().strip(".,") in RECHTSFORM:
        return z                        # Firma – der ganze Name gehört dazu

    if len(teile) >= 2 and teile[-2].lower().strip(".") in NAMENSZUSATZ:
        return " ".join(teile[-2:])     # "van Dijk"
    return teile[-1]


def name_aus_block(zeilen) -> str:
    """
    Aus dem Adressblock unter 'Rechnung an:' die Zeile mit Name/Firma holen.
    Reine Anrede-Zeilen ('Herr', 'Familie') werden übersprungen.
    """
    for z in zeilen:
        if z.strip() and not _nur_anrede(z):
            return nachname_aus_zeile(z)
    return ""


def _aus_metadaten(pfad: str):
    """
    Rechnungen des Rechnungstools tragen ihre Kenndaten als JSON in den
    PDF-Metadaten (Feld "Subject"). Dann muss nichts geraten werden.
    Gibt None zurück, wenn die PDF das nicht hat (ältere Rechnungen).
    """
    try:
        info = PdfReader(pfad).metadata or {}
        roh = info.get("/Subject") or ""
        if not roh.strip().startswith("{"):
            return None
        daten = json.loads(roh)
    except Exception as e:  # noqa: BLE001 - fremde/kaputte Metadaten
        log.debug("%s: keine lesbaren Metadaten (%s)", os.path.basename(pfad), e)
        return None
    if daten.get("quelle") != "rechnungstool" or not daten.get("rechnungsnummer"):
        return None
    return daten


def keine_buchung(pfad: str) -> bool:
    """True fuer Blaetter, die keine Uebernachtung abrechnen.

    Ein Berichtigungsdokument (§ 31 Abs. 5 UStDV) reicht nur fehlende
    Empfaengerangaben nach. Es traegt in den Kenndaten die Nummer DER RECHNUNG,
    die es berichtigt, und lauter Nullen. Wer es einliest, ueberschreibt damit
    die echte Buchung - im Amtsbericht fehlt die Uebernachtung dann.
    """
    kopf = _aus_metadaten(pfad)
    return bool(kopf and kopf.get("art") == "berichtigung")


def parse_pdf(pfad: str, standard_satz: float = STANDARD_SATZ) -> Buchung:
    """Rechnungs-PDF -> Buchung. Wirft ParserFehler, wenn Pflichtfelder fehlen."""
    meta = _aus_metadaten(pfad)
    if meta:
        datum = _datum(str(meta.get("datum", "")))
        jahr, nummer = zerlege_nummer(meta.get("rechnungsnummer"), datum.year)
        b = Buchung(
            datum=datum,
            rechnungsnummer=nummer,
            jahr=jahr,
            nachname=str(meta.get("nachname") or "").strip(),
            naechte=int(zahl_aus_text(meta.get("naechte")) or 0),
            gezahlt=runde(meta.get("zwischensumme") or 0),
            satz=float(meta.get("steuer_satz") or 0) or standard_satz,
            quelle="pdf",
            pdf_pfad=os.path.abspath(pfad),
        )
        log.debug("aus Metadaten: %s | %s | %s | %s Nächte | %.2f €",
                  os.path.basename(pfad), b.voll_nummer, b.nachname, b.naechte, b.gezahlt)
        return b

    text = _text_seite1(pfad)
    zeilen = text.splitlines()

    voll_nr = datum_txt = ""
    anreise = abreise = ""
    naechte = 0
    kunde = ""
    zwischensumme = None
    gesamtbetrag = None
    steuer_betrag_pdf = None
    satz = None

    for i, z in enumerate(zeilen):
        if RE_NUMMER.match(z):
            voll_nr = _naechster_wert(zeilen, i)
        elif RE_DATUM.match(z):
            datum_txt = _naechster_wert(zeilen, i)
        elif RE_ANREISE.match(z):
            anreise = _naechster_wert(zeilen, i)
        elif RE_ABREISE.match(z):
            abreise = _naechster_wert(zeilen, i)
        elif RE_ZEITRAUM.match(z):
            m = RE_NAECHTE.search(_naechster_wert(zeilen, i))
            if m:
                naechte = int(m.group(1))
        elif RE_KUNDE.match(z):
            kunde = name_aus_block(_block_nach(zeilen, i))
        elif RE_ZWISCHEN.match(z) and zwischensumme is None:
            zwischensumme = zahl_aus_text(_naechster_wert(zeilen, i))
        elif RE_GESAMT.match(z) and gesamtbetrag is None:
            gesamtbetrag = zahl_aus_text(_naechster_wert(zeilen, i))
        else:
            m = RE_AUFSCHLAG.match(z)
            if m and steuer_betrag_pdf is None:
                satz = zahl_aus_text(m.group("satz"))
                steuer_betrag_pdf = zahl_aus_text(_naechster_wert(zeilen, i))

    if not voll_nr or not datum_txt:
        raise ParserFehler("keine Rechnungsnummer/kein Rechnungsdatum gefunden")

    datum = _datum(datum_txt)
    jahr, nummer = zerlege_nummer(voll_nr, datum.year)
    if not nummer:
        raise ParserFehler(f"Rechnungsnummer nicht lesbar: {voll_nr!r}")

    # Basis der Steuer = Zwischensumme. Fehlt sie (Rechnung ohne Beherbergungs-
    # steuer), ist der Gesamtbetrag die Zwischensumme.
    gezahlt = zwischensumme if zwischensumme is not None else gesamtbetrag
    if gezahlt is None:
        raise ParserFehler("weder Zwischensumme noch Gesamtbetrag gefunden")

    if satz is None:
        satz = 0.0 if steuer_betrag_pdf is None else standard_satz

    # Nächte notfalls aus An-/Abreise ableiten
    if not naechte and anreise and abreise:
        try:
            naechte = (_datum(abreise) - _datum(anreise)).days
        except ParserFehler:
            naechte = 0

    b = Buchung(
        datum=datum,
        rechnungsnummer=nummer,
        jahr=jahr,
        nachname=kunde,   # kommt schon fertig aus name_aus_block()
        naechte=max(0, naechte),
        gezahlt=runde(gezahlt),
        satz=satz,
        quelle="pdf",
        pdf_pfad=os.path.abspath(pfad),
    )

    # Gegenprobe: unsere Rechnung gegen den in der PDF ausgewiesenen Betrag
    if steuer_betrag_pdf is not None and abs(b.steuer - steuer_betrag_pdf) > 0.02:
        log.warning("%s: Steuer laut PDF %.2f, berechnet %.2f (Basis %.2f, Satz %s%%)",
                    os.path.basename(pfad), steuer_betrag_pdf, b.steuer, b.gezahlt, satz)
    log.debug("gelesen: %s | %s | %s | %s Nächte | %.2f € | Steuer %.2f €",
              os.path.basename(pfad), b.voll_nummer, b.nachname, b.naechte, b.gezahlt, b.steuer)
    return b


def scanne_ordner(ordner: str, standard_satz: float = STANDARD_SATZ, rekursiv: bool = True):
    """
    Liest alle PDFs unter `ordner`.
    Gibt (buchungen, fehler) zurück – fehler = Liste von (pfad, grund).
    """
    buchungen, fehler = [], []
    if not os.path.isdir(ordner):
        return buchungen, [(ordner, "Ordner existiert nicht")]

    for wurzel, _dirs, dateien in os.walk(ordner):
        for name in sorted(dateien):
            if not name.lower().endswith(".pdf"):
                continue
            pfad = os.path.join(wurzel, name)
            if keine_buchung(pfad):
                continue
            try:
                buchungen.append(parse_pdf(pfad, standard_satz))
            except ParserFehler as e:
                log.info("übersprungen: %s (%s)", name, e)
                fehler.append((pfad, str(e)))
            except Exception as e:  # noqa: BLE001 - kaputte/verschlüsselte PDF
                log.warning("Fehler bei %s: %s", name, e)
                fehler.append((pfad, f"{type(e).__name__}: {e}"))
        if not rekursiv:
            break

    log.info("Scan %s: %d Rechnungen, %d übersprungen", ordner, len(buchungen), len(fehler))
    return buchungen, fehler