optimize document loader

src/Knowledge/Ingest/DocumentLoader.php

@@ -52,40 +52,117 @@ final class DocumentLoader
         return $this->normalize($text);
     }
 
-    /**
-     * Zentraler Normalizer für alle Dokumenttypen.
-     * Rein formal – keine Domain-Logik.
-     */
     private function normalize(string $text): string
     {
         if ($text === '') {
             return '';
         }
 
-        // 1️⃣ Silbentrennung entfernen (Wort-\nFortsetzung)
+        // 1. Silbentrennung entfernen
         $text = preg_replace('/-\n/', '', $text);
 
-        // 2️⃣ Einheitliche Zeilenumbrüche
+        // 2. Einheitliche Zeilenumbrüche
         $text = str_replace(["\r\n", "\r"], "\n", $text);
 
-        // 3️⃣ Harte PDF-Zeilenumbrüche reparieren:
-        // Wenn Zeile nicht mit Punkt endet und nächste mit Kleinbuchstabe beginnt → zusammenführen
-        $text = preg_replace(
-            '/([^\.\!\?\:\n])\n([a-zäöü])/u',
-            '$1 $2',
-            $text
-        );
+        // 3. Symbolmüll entfernen
+        $text = $this->removeUnwantedSymbols($text);
 
-        // 4️⃣ Inline-Listen stabilisieren:
-        // " - Punkt - Punkt" → echte neue Zeile
+        // 4. Struktur-Reparatur
+        $text = $this->repairStructure($text);
+
+        // 5. Inline-Listen stabilisieren
         $text = preg_replace('/\s-\s/', "\n- ", $text);
 
-        // 5️⃣ Mehrfache Leerzeichen reduzieren
+        // 6. Whitespace normalisieren
         $text = preg_replace('/[ \t]+/', ' ', $text);
-
-        // 6️⃣ Mehrfache Leerzeilen reduzieren
         $text = preg_replace('/\n{3,}/', "\n\n", $text);
 
         return trim($text);
     }
+
+    private function removeUnwantedSymbols(string $text): string
+    {
+        $text = str_replace(['©', '®', '™', '℠'], '', $text);
+        $text = preg_replace('/[\x{200B}-\x{200D}\x{FEFF}]/u', '', $text);
+        $text = preg_replace('/[^\P{C}\n]+/u', '', $text);
+        return $text;
+    }
+
+    /**
+     * Konsolidierte Struktur-Reparatur
+     */
+    private function repairStructure(string $text): string
+    {
+        $lines = explode("\n", $text);
+        $out   = [];
+        $count = count($lines);
+
+        for ($i = 0; $i < $count; $i++) {
+            $current = trim($lines[$i]);
+
+            if ($current === '') {
+                $out[] = '';
+                continue;
+            }
+
+            if ($i < $count - 1) {
+                $next = trim($lines[$i + 1]);
+
+                // --- 1. Modellnummern / Zahlfortsetzung ---
+                if (
+                    !preg_match('/^- /', $current) &&
+                    !preg_match('/^- /', $next) &&
+                    !preg_match('/[\.:\?!]$/', $current) &&
+                    preg_match('/^\d+/', $next) // beginnt mit Zahl
+                ) {
+                    $out[] = $current . ' ' . $next;
+                    $i++;
+                    continue;
+                }
+
+                // --- 2. Satzfortsetzung (Zeile beginnt klein) ---
+                if (
+                    !preg_match('/^- /', $current) &&
+                    !preg_match('/^- /', $next) &&
+                    !preg_match('/[\.:\?!]$/', $current) &&
+                    preg_match('/^[a-zäöü]/u', $next)
+                ) {
+                    $out[] = $current . ' ' . $next;
+                    $i++;
+                    continue;
+                }
+
+                // --- 3. Falsche Listenfortsetzung ---
+                if (
+                    preg_match('/^- /', $current) &&
+                    preg_match('/^- [a-zäöü]/u', $next) &&
+                    !preg_match('/[\.:\?!]$/', $current)
+                ) {
+                    $merged = rtrim($current) . ' ' . ltrim(substr($next, 2));
+                    $out[] = $merged;
+                    $i++;
+                    continue;
+                }
+            }
+
+            // --- 4. Pseudo-Liste wie "- 808 festlegen" ---
+            if (preg_match('/^- \d+[A-Za-z ]{0,25}$/', $current)) {
+                $out[] = substr($current, 2);
+                continue;
+            }
+
+            // --- 5. Pseudo-Liste wie "- im eingeschalteten Zustand ..." ---
+            if (
+                preg_match('/^- [a-zäöü]/u', $current) &&
+                ($i === 0 || !preg_match('/^- /', trim($lines[$i - 1])))
+            ) {
+                $out[] = substr($current, 2);
+                continue;
+            }
+
+            $out[] = $current;
+        }
+
+        return implode("\n", $out);
+    }
 }