fix: DKB-Empfaenger/Zweck-Split per CSV-Ground-Truth, Vergleichswerkzeug

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

finance/app/parsers/dkb.py

@@ -49,6 +49,80 @@ def _is_noise(line: str) -> bool:
     return bool(RE_NOISE.search(line))
 
 
+# --- Empfänger/Zweck-Split-Heuristik (D-T5-1/D-T5-2, siehe
+# .superpowers/sdd/parser-vs-csv-audit.md) --------------------------------
+# extras[0] enthält "<Empfänger><Leerzeichen><Beginn Verwendungszweck>" ohne
+# Trenner. Die folgenden Regeln bestimmen, wo der Empfänger endet.
+_LEGAL_FORM_TOKENS = {
+    "ag", "gmbh", "ev", "eg", "kg", "bv", "sca", "sarl", "se",
+    "ltd", "inc", "ek", "ohg", "gbr", "stiftung", "bank",
+}
+_CONNECTOR_TOKENS = {"et", "cie"}
+_REF_KEYWORDS = {"rechnung", "vertrag", "kundennummer", "kassenzeichen", "rg", "nr"}
+_REF_KEYWORD_PREFIXES = ("kd.-nr", "kdnr", "beitragsnr")
+_RE_TOKEN_DIGIT = re.compile(r"\d")
+_MAX_LEGAL_FORM_SCAN = 7
+
+
+def _normalize_token(tok: str) -> str:
+    return tok.strip(",;").lower().replace(".", "")
+
+
+def _is_legal_form(tok: str) -> bool:
+    return _normalize_token(tok) in _LEGAL_FORM_TOKENS
+
+
+def _is_connector(tok: str) -> bool:
+    return _normalize_token(tok) in _CONNECTOR_TOKENS
+
+
+def _is_reference_keyword(tok: str) -> bool:
+    norm = _normalize_token(tok)
+    return norm in _REF_KEYWORDS or norm.startswith(_REF_KEYWORD_PREFIXES)
+
+
+def _split_counterparty(line: str) -> tuple[str, str]:
+    """Trennt Empfänger von Zweck-Beginn in der ersten Fortsetzungszeile
+    (extras[0]) einer DKB-Buchung. Gibt (counterparty, purpose_prefix)
+    zurück; purpose_prefix ist der abgeschnittene Rest (kann leer sein).
+
+    Reihenfolge (D-T5-1):
+    1. Rechtsform-Grenze (erste ~7 Tokens; "et Cie"-Ketten bis zum letzten
+       Rechtsform-Token in Folge).
+    2. Referenz-Grenze (erstes Token mit Ziffer oder Referenz-Schlüsselwort,
+       frühestens ab Token 1 -> counterparty nie leer).
+    3. Kein Schnitt (reine Wort-Folge, semantisch nicht trennbar).
+
+    D-T5-2: "siehe Anlage"-Zeilen -> counterparty leer, ganze Zeile in den
+    Zweck.
+    """
+    line = line.strip()
+    if not line:
+        return "", ""
+    if line.lower().startswith("siehe anlage"):
+        return "", line
+    tokens = line.split()
+    n = len(tokens)
+
+    for i in range(min(n, _MAX_LEGAL_FORM_SCAN)):
+        if not _is_legal_form(tokens[i]):
+            continue
+        last = i
+        j = i + 1
+        while j < n and (_is_connector(tokens[j]) or _is_legal_form(tokens[j])):
+            if _is_legal_form(tokens[j]):
+                last = j
+            j += 1
+        cut = last + 1
+        return " ".join(tokens[:cut]), " ".join(tokens[cut:])
+
+    for idx in range(1, n):
+        if _RE_TOKEN_DIGIT.search(tokens[idx]) or _is_reference_keyword(tokens[idx]):
+            return " ".join(tokens[:idx]), " ".join(tokens[idx:])
+
+    return line, ""
+
+
 def parse(path: Path) -> ParsedStatement:
     with pdfplumber.open(path) as pdf:
         text = "\n".join((page.extract_text() or "") for page in pdf.pages)
@@ -95,8 +169,16 @@ def parse(path: Path) -> ParsedStatement:
 
 
 def _finish(p: dict) -> ParsedTransaction:
-    counterparty = p["extra"][0] if p["extra"] else ""
-    purpose = " ".join([p["head"], *p["extra"][1:]]).strip()
+    if p["extra"]:
+        counterparty, remainder = _split_counterparty(p["extra"][0])
+        purpose_parts = [p["head"]]
+        if remainder:
+            purpose_parts.append(remainder)
+        purpose_parts.extend(p["extra"][1:])
+    else:
+        counterparty = ""
+        purpose_parts = [p["head"]]
+    purpose = " ".join(purpose_parts).strip()
     return ParsedTransaction(booking_date=p["booking"], value_date=p["value"],
                              amount=p["amount"], purpose=purpose,
                              counterparty=counterparty)