Benjamin Admin 964c916a81 fix: _clean_cell_text entfernt Waehrungssymbole am Zeilenende ...

_is_noise_tail_token() stuft rein nicht-alphabetische Tokens wie
€0.50, £1, €2.50 als OCR-Noise ein und entfernt sie. Zusaetzlich
zerstoert ' '.join(tokens) das proportionale Spacing.

Fuer Single-Column Sub-Sessions wird _clean_cell_text uebersprungen.

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

2026-03-10 09:41:25 +01:00

..

data

…

mail

…

migrations

chore: add migration 005_add_doc_type.sql

2026-03-04 13:54:56 +01:00

models

…

policies

…

routes

…

services

feat: OCR pipeline v2.1 – narrow column OCR, dewarp automation, Fabric.js editor

2026-03-03 22:44:14 +01:00

tests

feat: generische Box-Erkennung fuer zonenbasierte Spaltenerkennung

2026-03-09 15:06:23 +01:00

admin_api.py

…

config.py

…

country_metadata.py

…

cv_box_detect.py

feat: generische Box-Erkennung fuer zonenbasierte Spaltenerkennung

2026-03-09 15:06:23 +01:00

cv_cell_grid.py

fix: _clean_cell_text entfernt Waehrungssymbole am Zeilenende

2026-03-10 09:41:25 +01:00

cv_layout.py

fix: Sub-Session Zeilenerkennung — Tesseract+inv im Spalten-Schritt cachen

2026-03-10 08:43:26 +01:00

cv_ocr_engines.py

feat: Full-Row OCR mit Spacing fuer Box-Sub-Sessions

2026-03-10 08:28:29 +01:00

cv_preprocessing.py

refactor: cv_vocab_pipeline.py in 6 Module aufteilen (8163 → 6 + Fassade)

2026-03-08 23:46:47 +01:00

cv_review.py

fix: _group_words_into_lines nach cv_ocr_engines.py verschieben

2026-03-09 15:24:56 +01:00

cv_vocab_pipeline.py

feat: generische Box-Erkennung fuer zonenbasierte Spaltenerkennung

2026-03-09 15:06:23 +01:00

cv_vocab_types.py

feat: generische Box-Erkennung fuer zonenbasierte Spaltenerkennung

2026-03-09 15:06:23 +01:00

dsfa_corpus_ingestion.py

…

dsfa_rag_api.py

…

eh_pipeline.py

…

eh_templates.py

…

embedding_client.py

…

full_compliance_pipeline.py

…

full_reingestion.py

…

github_crawler.py

…

handwriting_htr_api.py

feat(klausur): Handschrift entfernen + Klausur-HTR implementiert

2026-03-03 12:04:26 +01:00

hybrid_search.py

…

hybrid_vocab_extractor.py

…

hyde.py

…

legal_corpus_api.py

…

legal_corpus_ingestion.py

…

legal_corpus_robust.py

…

legal_templates_ingestion.py

…

main.py

feat: Orientierung + Zuschneiden als Schritte 1-2 in OCR-Pipeline

2026-03-08 23:55:23 +01:00

metrics_db.py

…

migrate_rag_chunks.py

…

minio_storage.py

…

nibis_ingestion.py

…

nru_worksheet_generator.py

…

ocr_labeling_api.py

…

ocr_pipeline_api.py

debug: Logging fuer Sub-Session Woertererkennung

2026-03-10 09:31:34 +01:00

ocr_pipeline_session_store.py

feat: Box-Zonen durch gesamte Pipeline + Sub-Sessions fuer Box-Inhalt

2026-03-09 18:24:34 +01:00

orientation_crop_api.py

refactor: Crop nach Deskew/Dewarp verschieben + content-basierter Buchscan-Crop

2026-03-09 08:52:11 +01:00

page_crop.py

refactor: Crop nach Deskew/Dewarp verschieben + content-basierter Buchscan-Crop

2026-03-09 08:52:11 +01:00

pdf_export.py

…

pdf_extraction.py

…

pipeline_checkpoints.py

…

pyproject.toml

…

qdrant_service.py

…

rag_evaluation.py

…

rbac.py

…

requirements.txt

feat: OCR pipeline v2.1 – narrow column OCR, dewarp automation, Fabric.js editor

2026-03-03 22:44:14 +01:00

reranker.py

…

self_rag.py

…

storage.py

…

template_sources.py

…

tesseract_vocab_extractor.py

…

training_api.py

…

training_export_service.py

…

trocr_api.py

…

upload_api.py

…

vocab_session_store.py

…

vocab_worksheet_api.py

fix: Edge-Gaps in _split_broad_columns ignorieren + return-Tuple bei leerem Ergebnis

2026-03-07 22:16:29 +01:00

worksheet_cleanup_api.py

…

worksheet_editor_api.py

…

zeugnis_api.py

…

zeugnis_crawler.py

…

zeugnis_models.py

…

zeugnis_seed_data.py

…