Dokumentation › Produkte › ConnectINVOICE › ConnectINVOICE - Technische Referenz › Schritt 2 - Extraktion
Textextraktion im DMS (Textebene, KI-OCR über ai, Tika, E-Rechnungs-XML) und Extraktion der Rechnungsdaten in trade (kosit-Bibliothek oder KI-Klassifizierung und -Extraktion).
Zuletzt geändert am 18.11.2026
Auf dieser Seite
Zielgruppe & Rolle
Rolle: Technik / Entwickler & Support | Schritt: 2 von 5 der Verarbeitungspipeline
Extraktion
Nach Schritt 1 liegt jeder Anhang als geprüftes DMS-Dokument vor und trade hat eine Eingangsrechnung dazu angelegt. In diesem Schritt werden die Belegdaten in ein gemeinsames Zielformat (Extraction) überführt.
Zuerst wird geprüft, ob eine strukturierte E-Rechnung vorliegt. Wenn das nicht klappt, greift der Weg über den Text des Dokuments und ein KI-Modell.
Ziel des Schritts
Eine möglichst stabile Datenbasis für Belegprüfung und Bestellabgleich erzeugen.
Text aus dem DMS
Die Textextraktion gehört dem DMS. Sie läuft nur für Versionen, die ClamAV als sauber gemeldet hat:
- E-Rechnungen: XRechnung (CII/UBL) und PDFs mit eingebettetem ZUGFeRD/Factur-X-XML werden erkannt und mit der kosit-Bibliothek gelesen; das DMS speichert eine lesbare Markdown-Fassung als Text.
- PDFs: Seiten mit verwertbarer Textebene werden direkt übernommen; Seiten ohne verwertbaren Text werden gerendert und über das Modul
ai(Rolleocr) als Markdown erkannt. Scheitert die KI-OCR, bleibt die Textebene, wenn es eine gibt. - Bilder werden über die KI-OCR erkannt, Office- und andere Formate über Apache Tika.
Ergebnis ist der Extraktionsstatus des Dokuments (DONE, PARTIAL, SKIPPED, FAILED) und sein Text je Seite.
Start und Typentscheidung in trade
- trade lädt den Text des Dokuments als Markdown aus dem DMS (nur bei
DONEoderPARTIAL) und speichert ihn an der Rechnung (StatusOCR_DONE). - Ist das Dokument eine E-Rechnung (laut DMS oder als XML-Datei), lädt trade die Datei und liest sie mit der kosit-Bibliothek.
- Gelingt das nicht und gibt es Text, fällt trade auf den Weg über den Text zurück; ohne Text wird die Rechnung
FAILED.
Damit werden strukturierte Quellen bevorzugt und klassische PDF/Scan-Fälle trotzdem verarbeitet.
E-Rechnung (XML)
- Die Daten werden mit der kosit-Bibliothek (
kosit/pkg/extraction) in das Common-Format (CDM) gelesen und daraus in dieExtractionübernommen – ohne KI.- Quelle (
sourceKind):XRECHNUNG_CII,XRECHNUNG_UBLoderZUGFERD.- Der Belegtyp kommt aus BT-3; trade normalisiert ihn auf
380,381oder384und behält den Originalcode für die Wahl der Belegart.- Den offiziellen KoSIT-Validator ruft die Eingangsrechnungs-Pipeline nicht auf.
Feldzuordnung
Für eine Übersicht, welche E-Rechnungsfelder in die Eingangsrechnung übernommen werden, siehe Feldzuordnung E-Rechnung.
PDF/Scan (KI-gestützt)
- Eine Klassifizierung mit einem günstigen Modell (Rolle
weak) bestimmt den UN/EDIFACT-1001-Code aus dem Text (380,381,384,270,999). Details siehe Dokumentenklassifizierung.999(keine Rechnung): Die Rechnung wirdREJECTED(Ereignistrade.inboundinvoice.rejected, Grundnot_an_invoice).270(Lieferschein): Das Dokument wird an die Lieferscheinverarbeitung von trade übergeben.- Sonst extrahiert ein Modell der Rolle
mediumKopf- und Positionsdaten über ein strukturiertes Schema; der Empfänger aus den Einstellungen geht als Kontext mit. Schlägt die Klassifizierung fehl, wird der Beleg als Rechnung extrahiert.- Quelle (
sourceKind):PDF_OCR. Die KI liefert je Kopffeld eine Sicherheit; unsichere Felder werden in Schritt 4 als Hinweis markiert.
Ergebnis der Extraktion
Artefakte in S3 gibt es nicht mehr. Alles liegt in Postgres an der Eingangsrechnung (Tabelle sales_transactions), die Dateien bleiben im DMS:
Immer gespeichert
Die
Extraction(intype_data.extraction) enthält, was gelesen wurde: Kopf, Lieferant, Empfänger, Positionen, Beträge, Steueraufschlüsselung, Zahlungsbedingungen und Belegtyp. Sie wird nach dem Lesen nicht mehr geändert; Korrekturen und Workflow-Änderungen stehen in den Spalten der Rechnung darüber.
| Daten | Ort | Zweck |
|---|---|---|
| Originaldatei | DMS-Dokument (dmsDocumentId) |
Anzeige, erneute Verarbeitung |
| Volltext | DMS (Seitentext), Kopie in fulltext der Rechnung |
Grundlage der KI-Extraktion, Suche |
| Extraktion | type_data.extraction |
Was gelesen wurde, unverändert |
| Kopf und Positionen | Spalten der Rechnung | Arbeitsstand für Prüfung, Abgleich und Freigabe |
Nach der Extraktion bestimmt trade die Belegart (INBOUND_INVOICE oder die Eingangs-Belegart mit dem E-Rechnungscode des Dokuments) und setzt den Status EXTRACTED (Ereignis trade.inboundinvoice.extracted). Der erste Übergang nach EXTRACTED wird einmal als Verbrauch (trade.inbound.document) für die Abrechnung erfasst.
Nächster technischer Schritt
Nach der Extraktion der Rohdaten folgt die Währungsumrechnung und Stammdaten-Anreicherung: Schritt 3: Währung und Enrichment | Siehe auch: Feldzuordnung E-Rechnung
Hat das geholfen?
https://app.mbcom.cloud/knowledge/docs/products/invoice/technical/step-2-extraction