Zum Inhalt springen
Schritt 2 - Extraktion
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 (Rolle ocr) 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 DONE oder PARTIAL) und speichert ihn an der Rechnung (Status OCR_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 die Extraction übernommen – ohne KI.
  • Quelle (sourceKind): XRECHNUNG_CII, XRECHNUNG_UBL oder ZUGFERD.
  • Der Belegtyp kommt aus BT-3; trade normalisiert ihn auf 380, 381 oder 384 und 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 wird REJECTED (Ereignis trade.inboundinvoice.rejected, Grund not_an_invoice).
  • 270 (Lieferschein): Das Dokument wird an die Lieferscheinverarbeitung von trade übergeben.
  • Sonst extrahiert ein Modell der Rolle medium Kopf- 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 (in type_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?