# Kontrollwerte zum Übungs-PDF `nordwerk-produktblatt.pdf`

Die Nordwerk GmbH ist erfunden. Jede Seite enthält eine Stelle, an der Textextraktion
typischerweise scheitert. Prüfe nach jeder Umwandlung, ob diese Werte im Ergebnis stehen.

| Seite | Schwierigkeit | Kontrollwert | Wo er steht |
|---|---|---|---|
| 1 | zwei Spalten, Satz über den Spaltenumbruch | WB-180 trägt **800 kg** | Ende Spalte 1 → Anfang Spalte 2, dazu ein Absatzwechsel mitten im Satz |
| 1 | Silbentrennung am Zeilenende | **Baden-Württemberg**, **FI-Schutzschalter** | Fließtext |
| 1 | Randkasten | Garantie auf das Gestell **10 Jahre** | Kasten „Auf einen Blick“ |
| 2 | verbundene Kopfzelle | WB-180 **ab 5 Stück 459 €** | Tabelle, Spalte „Preis netto“ → „ab 5 Stück“ |
| 2 | Fußnote unter der Tabelle | Österreich und Schweiz **plus eine Woche**; Mengenrabatt **je Artikelnummer** | Fußnote ¹ |
| 3 | eingescannte Seite, kein Text im PDF | Reaktionszeit **48 Stunden**, Hotline **0821 99 88-501** | Punkt 2 und 3 |
| 3 | Stempel im Bild | Eingang **14. Juni 2026** | Stempel unten |

## Gemessen am 23.09.2026 (docling-serve 1.35.0 CPU, Standardeinstellungen, 14,6 s)

| Kontrollwert | einfaches Auslesen (pypdf) | Docling-Markdown | Docling-JSON |
|---|---|---|---|
| 800 kg | ✓ | ✓ (Absatzwechsel bleibt) | ✓ |
| Baden-Württemberg, FI-Schutzschalter | ✓ (mit Trennstrich am Zeilenende) | ✗ „BadenWürttemberg“, „FISchutzschalter“ | ✗ |
| 459 € ab 5 Stück | ~ Zeilen zerfallen, Zuordnung unklar | ✓ „Preis netto - ab 5 Stück“ | ✓ |
| Fußnote ¹ | ✓ | ✗ fehlt | ✓ als `footnote` an der Tabelle |
| 48 Stunden, Hotline | ✗ 0 Zeichen auf Seite 3 | ✓ (OCR, Wörter teils zusammengeklebt) | ✓ |
| Stempel 14. Juni 2026 | ✗ | ✗ nur `<!-- image -->` | ✓ als Text im Bild |

Fragen an GLM 5.3 (AuxData-Gateway, Temperatur 0, ganzes Dokument als Kontext):

| Frage | Rohtext | Docling-Markdown | Markdown + Ergänzungen aus dem JSON |
|---|---|---|---|
| Was kostet die WB-180 ab 5 Stück? | ✓ 459 € | ✓ 459 € | ✓ |
| Lieferung WB-180 nach Österreich? | ✓ 4 Wochen | ✗ „steht nicht drin“ | ✓ 4 Wochen |
| Reaktionszeit und Hotline? | ✗ „steht nicht drin“ | ✓ 48 h, -501 | ✓ |
| Traglast WB-180? | ✓ 800 kg | ✓ 800 kg | ✓ |
| Wann ist die Vereinbarung eingegangen? | ✗ | ✗ | ✓ 14. Juni 2026 |

Durch den n8n-Workflow `frag-das-dokument.json` (Markdown + Ergänzungen, gleiche Einstellungen), gemessen am 23.09.2026:

| Frage im Formular | Antwort |
|---|---|
| Wie lange dauert die Lieferung einer WB-180 nach Österreich? | ✓ 3 Wochen laut Tabelle, plus eine Woche laut Fußnote 1 = 4 Wochen |
| Wann ist die Servicevereinbarung eingegangen? | ✓ 14. Juni 2026 (Stempel, bei den Ergänzungen) |
| Gibt es die WB-180 auch mit Eichenplatte? | ✓ Nein: nur Buche (40 mm) oder Multiplex mit Linoleum (30 mm), Eiche wird nicht erwähnt |

## OCR-Engines auf Seite 3 (gemessen am 23.09.2026, ganzes Dokument)

| Engine | Dauer | Hotline 0821 99 88-501 | 48 Stunden | Wortgrenzen | Listennummern |
|---|---|---|---|---|---|
| Auto (= RapidOCR) | 8 s | ✓ | ✓ | teils zusammengeklebt („16Uhr“, „gekündigtwird“) | falsch: 1, 2, 3, 3, 4, 5, 7 |
| EasyOCR, Sprache de | 30–32 s | ✗ **„99 08-501“ – falsche, aber plausible Nummer** | ✓ | besser („prüft Gestelle“), dafür Buchstabenfehler („Mochen“, „Hontag“) und fehlende Wörter | Liste zerfällt |
| EasyOCR, Sprachen en, fr, de, es (Voreinstellung der Weboberfläche) | 35 s | ✗ „99 08-501“ | wie mit de | wie mit de | wie mit de |
| Tesseract | – | Abbruch: im CPU-Image ist nur Englisch installiert, die Voreinstellung verlangt weitere Sprachen | | | |
| Auto mit Force OCR | 10 s | ✓ | ✓ | wie Auto (laut Dokumentation ersetzt Force OCR auch vorhandenen Text durch OCR; bringt hier keinen Gewinn) | wie Auto |

Regel daraus: Zahlen aus gescannten Seiten (Telefonnummern, Beträge, Fristen) immer gegen das Original prüfen.
Eine falsche Ziffer sieht genauso glaubwürdig aus wie eine richtige.