Smart Document Analyzer

Kurzbeschreibung

Der Smart Document Analyzer erkennt und extrahiert strukturierte Daten aus Rechnungen (OCR → Parsing) und stellt diese in einem Streamlit‑Dashboard dar. Der Code wurde überwiegend mit Unterstützung von KI-Tools erstellt. Um die Qualität sicherzustellen, habe ich die Ergebnisse überprüft, angepasst und eigene Logik ergänzt. So entstand ein hybrider Ansatz: KI-gestützte Generierung kombiniert mit menschlicher Kontrolle und Optimierung.

Funktionen:

• Einzel- und Batch‑Upload von PDFs
• EasyOCR für einfache und efffektiven Verarbeitung von Rechnungen
• Parser für relevante Informationen, wie Rechnungsnummern oder Datum
• Speicherung in SQLite
• Interaktive Visualisierungen mit Streamlit, um z. B. Rechnungssummen pro Firma zu zeigen

Warum dieses Projekt

• Zeigt praktische Anwendung von OCR, Regex‑Parsing und Datenbankintegration.
• Demonstriert einen End‑to‑end‑Workflow: Datei → Texterkennung → Datenextraktion → Persistenz → Dashboard.

Schnellstart (Windows / PowerShell)

1. Repository klonen

git clone <repo-url>
cd Smart-Document-Analyzer

2. Virtuelle Umgebung und Abhängigkeiten

python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt

3. App starten

streamlit run dashboard/app.py

Projektstruktur

• dashboard/app.py – Streamlit UI (Upload, Anzeige, Batch‑Upload, Löschfunktion)
• extractor/ocr.py – OCR‑Wrapper (EasyOCR, PDF→Bild‑Konvertierung)
• extractor/parser.py – Extraktion von Informationen, wie Rechnungen
• db/ – SQLite‑Schnittstelle (SQLAlchemy), Einfügen/Abrufen/Löschen, Datenbankdatei (SQLite)
• data/ – temporäre Dateien

Wichtige Hinweise

• Stelle sicher, dass das Verzeichnis data/ Schreibrechte hat.
• Empfohlene Python‑Version: 3.10–3.13

Limitierungen

• Dieses Projekt dient zur Demonstrationszwecke und ist für den produktiven Einsatz nicht vorgesehen.
• Genaugikeit bei bestimmten Rechnungsformate können nicht garantiert werden

Kurze Demo‑Ablauf (für Vorstellung)

1. Starte die App (streamlit run dashboard/app.py).
2. Einzel-Upload: Lade eine Beispielrechnung hoch, klicke „Analysieren“, zeige erkannte Felder und die Tabelle.
3. Batch‑Upload: Mehrere PDFs hochladen, beobachte Fortschrittsbalken und Ergebnisse.
4. Löschen: Wähle eine Rechnung in der Dropdown‑Liste und lösche sie; zeige die Aktualisierung.
5. Statistik: Zeige Summen pro Firma und Zeitverlauf.

Was ich selbst implementiert habe

• Integration von EasyOCR in extractor/ocr.py
• Parsing‑Strategien (Regex + heuristische Zeilenverarbeitung) in extractor/parser.py
• DB‑Manager mit SQLAlchemy (db/db_manager.py) und Streamlit‑UI (dashboard/app.py)
• Batch‑Upload, Fortschrittsanzeige und grundlegende Fehlerbehandlung

Kurzes Troubleshooting

• ModuleNotFoundError: No module named 'extractor' → Stelle sicher, dass du das Projektverzeichnis als Arbeitsverzeichnis nutzt oder füge __init__.py in den Paketen hinzu. Alternativ sys.path anpassen.
• AttributeError bei st.rerun() → Manche Streamlit‑Versionen haben experimental_rerun nicht; es gibt ein _safe_rerun()‑Fallback im Code.
• OCR liefert leeren Text → Prüfe PDF→Bild‑Konvertierung (Auflösung) und ob EasyOCR‑Modelle heruntergeladen wurden.

Screenshot

Autor

Daniel Reich alias DR9-Byte

Dieses Projekt ist unter der BSD 3-Clause License veröffentlicht.
Das bedeutet: Der Code darf frei genutzt, verändert und weitergegeben werden, solange die Bedingungen der Lizenz eingehalten werden.