feat: Seiten- und Wortzahl für den Duplikatvergleich

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

paperless-backend/src/paperless/vergleich-kennzahlen.util.ts

@@ -0,0 +1,56 @@
+import { PDFDocument } from 'pdf-lib';
+import { PDFParse } from 'pdf-parse';
+
+/** Kennzahlen eines Belegs; `null` = nicht ermittelbar. */
+export interface Kennzahlen {
+  seiten: number | null;
+  woerter: number | null;
+}
+
+/** Kennzahlen des vorhandenen (Paperless) und des neuen Belegs. */
+export interface VergleichKennzahlen {
+  vorhanden: Kennzahlen;
+  neu: Kennzahlen;
+}
+
+/**
+ * Zählt Wörter: Tokens zwischen Leerraum, die mindestens einen Buchstaben oder
+ * eine Ziffer enthalten. Seitenmarker von pdf-parse („-- 1 of 2 --“) zählen
+ * nicht. Kein Wort → `null` (z. B. Scan ohne Textebene).
+ */
+export function zaehleWoerter(text: string | null | undefined): number | null {
+  if (!text) return null;
+  const ohneMarker = text.replace(/-- \d+ of \d+ --/g, ' ');
+  const anzahl = ohneMarker
+    .split(/\s+/)
+    .filter((token) => /[\p{L}\p{N}]/u.test(token)).length;
+  return anzahl > 0 ? anzahl : null;
+}
+
+async function seitenzahl(pdf: Buffer): Promise<number | null> {
+  try {
+    const doc = await PDFDocument.load(pdf, { ignoreEncryption: true });
+    return doc.getPageCount();
+  } catch {
+    return null;
+  }
+}
+
+async function wortzahl(pdf: Buffer): Promise<number | null> {
+  // pdf.js übernimmt den Puffer, deshalb eine Kopie übergeben
+  const parser = new PDFParse({ data: new Uint8Array(pdf) });
+  try {
+    const { text } = await parser.getText();
+    return zaehleWoerter(text);
+  } catch {
+    return null;
+  } finally {
+    await parser.destroy().catch(() => undefined);
+  }
+}
+
+/** Seiten- und Wortzahl eines PDFs; Lesefehler ergeben `null`. */
+export async function kennzahlenAusPdf(pdf: Buffer): Promise<Kennzahlen> {
+  const [seiten, woerter] = await Promise.all([seitenzahl(pdf), wortzahl(pdf)]);
+  return { seiten, woerter };
+}