# text.extract

Reine Textextraktion aus PDF- und DOCX-Dokumenten. Pure-Rust,
in-WASM, ohne deklarierte Berechtigungen. Der kanonische erste
Schritt in Flows, die Rohtext brauchen — anonymisieren,
zusammenfassen, übersetzen, per LLM klassifizieren,
Audit-redigieren.

## Capability

- `text.extract@0.1.0`

## Eingaben

| Name       | Typ   | Beschreibung                                            |
| ---------- | ----- | ------------------------------------------------------- |
| `document` | bytes | Das zu extrahierende Dokument. MIME-Typen siehe unten.  |

Akzeptierte MIME-Typen (deklariert in
`module.yaml#accepts_mime`, von Studio als File-Picker-Filter
gelesen):

- `application/pdf`
- `application/x-pdf`
- `application/vnd.openxmlformats-officedocument.wordprocessingml.document`

Andere MIME-Typen werden mit `invalid_input` abgelehnt — vor
jedem Parsen.

## Ausgabe

| Name        | Typ  | Beschreibung                                  |
| ----------- | ---- | --------------------------------------------- |
| `extracted` | json | `ExtractedDocument`-Schema siehe unten.       |

```json
{
  "engine": "pdf-extract",
  "engine_version": "0.7",
  "pages": [
    { "number": 1, "text": "…" }
  ]
}
```

`confidence` und `bbox` pro Seite sind im Schema für eine
spätere Service-Mode-Variante (pdfium / mupdf via
Host-Services) reserviert. v0.1.0 setzt diese Felder nicht;
das Schema akzeptiert sie als optional.

## Berechtigungen

Keine. Reine Rust-Pipeline (`pdf-extract`, `zip`, `quick-xml`).
Kein Dateisystem, kein Netz. `permissions: []` in
`module.yaml` macht das explizit; der Hub erzwingt es.

## Grenzen in v0.1.0

- **Layout-naives PDF.** Mehrspaltige oder tabellenlastige
  Dokumente können umsortierten Text liefern. Ein-Spalten-
  Fließtext ist solide.
- **Kein OCR.** Gescannte (nur-Bild-)PDFs liefern pro Seite
  leeren Text. Künftiges `text.ocr@^0` als Vor-Schritt.
- **Nur DOCX bei Office.** `.doc` (Altformat), `.rtf`, `.odt`
  noch nicht unterstützt.

`1.0.0` setzt entweder die Service-Mode-Variante
(pdfium-Qualität + Layout) voraus oder einen
nachgewiesen-guten Extraktions-Score auf einem
repräsentativen Korpus.

## Beispiel-Flow

```yaml
name: extract-anonymise
inputs:
  document: bytes
steps:
  - id: extract
    use: text.extract@^0
    with:
      document: $inputs.document
  - id: redact
    use: text.anonymize@^0
    with:
      text: $extract.extracted.pages[*].text
outputs:
  redacted: $redact.anonymized
```

## Build

```bash
cargo build --release --target wasm32-wasip2
# Ausgabe: target/wasm32-wasip2/release/text_extract.wasm
```