Nachname aus den PDF-Metadaten, Anrede nicht mehr als Name lesen

Der Parser nahm die erste Zeile unter "Rechnung an:" als Namen. Steht im
Rechnungstool eine Anrede, war das "Herr" statt "Mustermann".

- Neue Rechnungen: Kenndaten kommen aus den PDF-Metadaten (JSON), inkl.
  getrenntem Nachnamen. Nichts wird mehr geraten.
- Alte Rechnungen ohne Metadaten: der Adressblock wird gesammelt, reine
  Anrede-Zeilen (Herr/Frau/Familie/Firma) werden uebersprungen, fuehrende
  Anreden abgeschnitten.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

pdf_parser.py

@@ -28,6 +28,7 @@ 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
 
@@ -70,6 +71,23 @@ def _naechster_wert(zeilen, i: int) -> str:
     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:
@@ -83,6 +101,25 @@ RECHTSFORM = {"gmbh", "ag", "kg", "ug", "gbr", "ohg", "mbh", "e.k.", "ek", "eg",
               "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:
@@ -92,8 +129,9 @@ def nachname_aus_zeile(zeile: str) -> str:
     '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(str(zeile or "").split())
+    z = " ".join(_ohne_anrede(zeile).split())
     if not z:
         return ""
     if "," in z:                        # "Nachname, Vorname"
@@ -108,8 +146,58 @@ def nachname_aus_zeile(zeile: str) -> str:
     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 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()
 
@@ -136,7 +224,7 @@ def parse_pdf(pfad: str, standard_satz: float = STANDARD_SATZ) -> Buchung:
             if m:
                 naechte = int(m.group(1))
         elif RE_KUNDE.match(z):
-            kunde = _naechster_wert(zeilen, i)
+            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:
@@ -175,7 +263,7 @@ def parse_pdf(pfad: str, standard_satz: float = STANDARD_SATZ) -> Buchung:
         datum=datum,
         rechnungsnummer=nummer,
         jahr=jahr,
-        nachname=nachname_aus_zeile(kunde),
+        nachname=kunde,   # kommt schon fertig aus name_aus_block()
         naechte=max(0, naechte),
         gezahlt=runde(gezahlt),
         satz=satz,