Implement proper PDF parser using pdfjs-dist library

package-lock.json

@@ -16,6 +16,7 @@
         "nodemailer": "^7.0.9",
         "nuxt": "^4.1.3",
         "pdf-parse": "^2.4.5",
+        "pdfjs-dist": "^5.4.296",
         "pinia": "^3.0.3",
         "vue": "^3.5.22"
       },

package.json

@@ -20,6 +20,7 @@
     "nodemailer": "^7.0.9",
     "nuxt": "^4.1.3",
     "pdf-parse": "^2.4.5",
+    "pdfjs-dist": "^5.4.296",
     "pinia": "^3.0.3",
     "vue": "^3.5.22"
   },

server/api/cms/satzung-upload.post.js

@@ -1,6 +1,10 @@
 import multer from 'multer'
 import fs from 'fs/promises'
 import path from 'path'
+import * as pdfjsLib from 'pdfjs-dist'
+
+// PDF.js Worker konfigurieren
+pdfjsLib.GlobalWorkerOptions.workerSrc = 'pdfjs-dist/build/pdf.worker.min.js'
 
 // Handle both dev and production paths
 const getDataPath = (filename) => {
@@ -64,25 +68,22 @@ export default defineEventHandler(async (event) => {
       })
     }
 
-    // Für jetzt: Satzungsinhalt als Platzhalter bis PDF-Parsing implementiert ist
+    // PDF-Text extrahieren mit PDF.js
-    const htmlContent = `
+    const pdfBuffer = await fs.readFile(file.path)
-      <h2>§ 1 Name und Sitz</h2>
+    const pdfData = await pdfjsLib.getDocument({ data: pdfBuffer }).promise
-      <p>Der Verein führt den Namen "Harheimer Tischtennis-Club" und hat seinen Sitz in Harheim.</p>
     
-      <h2>§ 2 Zweck des Vereins</h2>
+    let fullText = ''
-      <p>Der Verein verfolgt ausschließlich und unmittelbar gemeinnützige Zwecke im Sinne des Abschnitts "Steuerbegünstigte Zwecke" der Abgabenordnung.</p>
     
-      <h2>§ 3 Mitgliedschaft</h2>
+    // Alle Seiten durchgehen
-      <p>Mitglied des Vereins kann jede natürliche Person werden, die die Ziele des Vereins unterstützt.</p>
+    for (let pageNum = 1; pageNum <= pdfData.numPages; pageNum++) {
+      const page = await pdfData.getPage(pageNum)
+      const textContent = await page.getTextContent()
+      const pageText = textContent.items.map(item => item.str).join(' ')
+      fullText += pageText + '\n'
+    }
     
-      <h2>§ 4 Beiträge</h2>
+    // Text in HTML-Format konvertieren
-      <p>Die Mitglieder zahlen Beiträge nach Maßgabe der Beitragsordnung.</p>
+    const htmlContent = convertTextToHtml(fullText)
-      
-      <h2>§ 5 Vorstand</h2>
-      <p>Der Vorstand besteht aus dem Vorsitzenden, dem stellvertretenden Vorsitzenden, dem Kassenwart und dem Schriftführer.</p>
-      
-      <p><em>Hinweis: Dies ist ein Platzhalter-Inhalt. Der vollständige Satzungstext wird automatisch aus der hochgeladenen PDF-Datei extrahiert, sobald das PDF-Parsing implementiert ist.</em></p>
-    `
     
     // Config aktualisieren
     const configPath = getDataPath('config.json')
@@ -110,17 +111,47 @@ export default defineEventHandler(async (event) => {
   }
 })
 
-// TODO: PDF-Parsing-Funktion später implementieren
+// PDF-Text zu HTML konvertieren
-// function convertTextToHtml(text) {
+function convertTextToHtml(text) {
-//   // Einfache Text-zu-HTML-Konvertierung
+  // Text bereinigen und strukturieren
-//   let html = text
+  let html = text
-//     .replace(/\n\n+/g, '</p><p>') // Absätze
+    .replace(/\r\n/g, '\n') // Windows-Zeilenumbrüche normalisieren
-//     .replace(/\n/g, '<br>') // Zeilenumbrüche
+    .replace(/\r/g, '\n')   // Mac-Zeilenumbrüche normalisieren
-//     .replace(/^(.+)$/gm, '<p>$1</p>') // Alle Zeilen in Paragraphen
+    .replace(/\n\s*\n/g, '\n\n') // Mehrfache Zeilenumbrüche reduzieren
-//   
+    .trim()
-//   // Überschriften erkennen (einfache Heuristik)
+  
-//   html = html.replace(/<p>(§\s*\d+.*?)<\/p>/g, '<h3>$1</h3>')
+  // Überschriften erkennen und formatieren
-//   html = html.replace(/<p>(\d+\.\s+.*?)<\/p>/g, '<h4>$1</h4>')
+  html = html.replace(/^(Vereinssatzung|Satzung)$/gm, '<h1>$1</h1>')
-//   
+  html = html.replace(/^(§\s*\d+[^§\n]*)$/gm, '<h2>$1</h2>')
-//   return `<h2>Satzung</h2>${html}`
+  
-// }
+  // Absätze erstellen
+  html = html.split('\n\n').map(paragraph => {
+    paragraph = paragraph.trim()
+    if (!paragraph) return ''
+    
+    // Überschriften nicht als Paragraphen behandeln
+    if (paragraph.match(/^<h[1-6]>/) || paragraph.match(/^§\s*\d+/)) {
+      return paragraph
+    }
+    
+    // Listen erkennen
+    if (paragraph.includes('•') || paragraph.includes('-') || paragraph.match(/^\d+\./)) {
+      const listItems = paragraph.split(/\n/).map(item => {
+        item = item.trim()
+        if (item.match(/^[•\-]\s/) || item.match(/^\d+\.\s/)) {
+          return `<li>${item.replace(/^[•\-]\s/, '').replace(/^\d+\.\s/, '')}</li>`
+        }
+        return `<li>${item}</li>`
+      }).join('')
+      return `<ul>${listItems}</ul>`
+    }
+    
+    // Normale Absätze
+    return `<p>${paragraph.replace(/\n/g, '<br>')}</p>`
+  }).join('\n')
+  
+  // Mehrfache Zeilenumbrüche entfernen
+  html = html.replace(/\n{3,}/g, '\n\n')
+  
+  return html
+}