#47: Volles PDF mit Highlight statt 1-Seiten-Extract

User-Feedback: "Kontext geht verloren wenn nur 1 Seite kommt".

Änderung: render_highlighted_page liefert jetzt das GESAMTE Wahlprogramm-
PDF mit gelber Highlight-Annotation auf der Fundstelle, statt eines
1-Seiten-Auszugs. Der Browser öffnet das vollständige Programm.

Frontend hängt #page=N an die URL → Browser scrollt direkt zur
Fundstelle. found_page wird als X-Found-Page Header mitgeliefert,
falls der Text auf einer anderen Seite als angefordert gefunden wurde
(Pre-#60 halluzinierte Seitennummern).

Return-Typ geändert: (bytes, int) statt bytes — zweiter Wert ist die
1-indexed Seitennummer wo der Treffer tatsächlich liegt.

Tests angepasst: Tuple-Unpacking, Size-Check entfernt (volles PDF ist
größer als 1-Seiten-Extract, der alte Vergleich war obsolet).

Refs: #47

app/embeddings.py

@@ -592,6 +592,11 @@ def render_highlighted_page(programm_id: str, seite: int, query: str) -> Optiona
     ``add_highlight_annot``. Returns the serialized PDF bytes, or None
     if the programme/page can't be resolved.
 
+    Returns a tuple ``(pdf_bytes, found_page)`` where ``found_page`` is the
+    1-indexed page where the highlight was placed (may differ from ``seite``
+    if the text was found on a different page). Returns ``(None, 0)`` if the
+    programme/page can't be resolved.
+
     Args:
         programm_id: Key into PROGRAMME registry — validated by caller.
         seite: 1-indexed page number within the programme PDF.
@@ -602,22 +607,22 @@ def render_highlighted_page(programm_id: str, seite: int, query: str) -> Optiona
     """
     info = PROGRAMME.get(programm_id)
     if not info:
-        return None
+        return None, 0
     pdf_filename = info.get("pdf")
     if not pdf_filename:
-        return None
+        return None, 0
 
     referenzen = Path(__file__).parent / "static" / "referenzen"
     pdf_path = referenzen / pdf_filename
     if not pdf_path.exists():
-        return None
+        return None, 0
 
     needle = (query or "").strip()[:200]
 
     src = fitz.open(str(pdf_path))
     try:
         if seite < 1 or seite > len(src):
-            return None
+            return None, 0
 
         # Suche den Needle auf der angegebenen Seite. Falls dort nichts
         # gefunden wird (Pre-#60-Assessments haben oft falsche Seiten-
@@ -625,40 +630,37 @@ def render_highlighted_page(programm_id: str, seite: int, query: str) -> Optiona
         # mit einem Treffer — so funktioniert Highlighting auch bei
         # halluzinierten Seitenzahlen retroaktiv.
         target_page_idx = seite - 1
+        rects = []
         if needle:
             clean = needle.replace("\u00ad", "")
-            # Versuch 1: angegebene Seite
+            words = clean.split()
+            anchor = " ".join(words[:5]) if len(words) >= 5 else clean
+            # Versuch 1: angegebene Seite, Volltext
             rects = src[target_page_idx].search_for(clean)
+            # Versuch 2: angegebene Seite, 5-Wort-Anker
             if not rects:
-                words = clean.split()
-                anchor = " ".join(words[:5]) if len(words) >= 5 else clean
                 rects = src[target_page_idx].search_for(anchor)
-            # Versuch 2: wenn Seite leer, alle Seiten durchsuchen
+            # Versuch 3: alle Seiten durchsuchen
             if not rects:
                 for i in range(len(src)):
-                    rects = src[i].search_for(anchor if len(words) >= 5 else clean)
+                    rects = src[i].search_for(anchor)
                     if rects:
                         target_page_idx = i
                         break
 
-        # Single-page Sub-PDF erzeugen
+        # Volles PDF mit Highlight-Annotation statt Single-Page-Extract.
-        new = fitz.open()
+        # Der Browser öffnet das vollständige Wahlprogramm; das Frontend
-        try:
+        # hängt #page=N an die URL, sodass direkt zur Fundstelle gescrollt
-            new.insert_pdf(src, from_page=target_page_idx, to_page=target_page_idx)
+        # wird. Kontext des Programms bleibt erhalten.
-            page = new[0]
+        if needle and rects:
+            page = src[target_page_idx]
+            for rect in rects:
+                annot = page.add_highlight_annot(rect)
+                if annot is not None:
+                    annot.set_colors(stroke=(1.0, 0.93, 0.0))  # gelb
+                    annot.update()
 
-            if needle and rects:
+        return src.tobytes(), target_page_idx + 1
-                # Rects beziehen sich auf src-Page-Koordinaten — nach insert_pdf
-                # sind die Koordinaten identisch (gleiche MediaBox).
-                for rect in rects:
-                    annot = page.add_highlight_annot(rect)
-                    if annot is not None:
-                        annot.set_colors(stroke=(1.0, 0.93, 0.0))  # gelb
-                        annot.update()
-
-            return new.tobytes()
-        finally:
-            new.close()
     finally:
         src.close()
 

app/main.py

@@ -640,7 +640,7 @@ async def wahlprogramm_cite(pid: str = "", pdf: str = "", seite: int = 1, q: str
     if seite < 1 or seite > 2000:
         raise HTTPException(status_code=400, detail="Ungültige Seitennummer")
 
-    pdf_bytes = render_highlighted_page(pid, seite, q)
+    pdf_bytes, found_page = render_highlighted_page(pid, seite, q)
     if pdf_bytes is None:
         raise HTTPException(
             status_code=404,
@@ -655,6 +655,10 @@ async def wahlprogramm_cite(pid: str = "", pdf: str = "", seite: int = 1, q: str
         headers={
             "Content-Disposition": f'inline; filename="{safe_name}"',
             "Cache-Control": "public, max-age=86400",
+            # found_page als Header mitgeben, damit das Frontend den
+            # #page=N Fragment korrekt setzen kann (bei page-redirect
+            # nach Fallback-Suche auf anderer Seite als angefordert).
+            "X-Found-Page": str(found_page),
         },
     )
 

app/templates/index.html

@@ -1504,15 +1504,22 @@
             // Post-#47 (die schon /api/wahlprogramm-cite enthalten).
             function makeCiteUrl(z) {
                 if (!z || !z.url) return '#';
-                // Schon eine Cite-URL? Durchreichen.
+                // Schon eine Cite-URL? #page=N anhängen falls nicht vorhanden.
-                if (z.url.includes('/api/wahlprogramm-cite')) return z.url;
+                if (z.url.includes('/api/wahlprogramm-cite')) {
+                    const m = z.url.match(/seite=(\d+)/);
+                    const page = m ? m[1] : '';
+                    return page ? z.url + '#page=' + page : z.url;
+                }
                 // Statische URL umschreiben: /static/referenzen/X.pdf#page=N
+                // → /api/wahlprogramm-cite?pdf=X.pdf&seite=N&q=<text>#page=N
+                // Das volle PDF mit Highlight-Annotation wird ausgeliefert,
+                // #page=N lässt den Browser direkt zur Fundstelle scrollen.
                 const m = z.url.match(/\/static\/referenzen\/(.+\.pdf)#page=(\d+)/);
                 if (m && z.text) {
                     const pdf = m[1];
                     const page = m[2];
                     const q = encodeURIComponent((z.text || '').substring(0, 200));
-                    return `/api/wahlprogramm-cite?pdf=${encodeURIComponent(pdf)}&seite=${page}&q=${q}`;
+                    return `/api/wahlprogramm-cite?pdf=${encodeURIComponent(pdf)}&seite=${page}&q=${q}#page=${page}`;
                 }
                 return z.url;
             }

tests/test_embeddings.py

@@ -441,44 +441,33 @@ class TestRenderHighlightedPage:
         return pid
 
     def test_unknown_pid_returns_none(self):
-        assert render_highlighted_page("fake-xx-9999", 1, "x") is None
+        pdf_bytes, page = render_highlighted_page("fake-xx-9999", 1, "x")
+        assert pdf_bytes is None
 
     def test_invalid_seite_returns_none(self, sample_pid):
-        assert render_highlighted_page(sample_pid, 99999, "x") is None
+        pdf_bytes, _ = render_highlighted_page(sample_pid, 99999, "x")
-        assert render_highlighted_page(sample_pid, 0, "x") is None
+        assert pdf_bytes is None
+        pdf_bytes2, _ = render_highlighted_page(sample_pid, 0, "x")
+        assert pdf_bytes2 is None
 
-    def test_renders_single_page_pdf(self, sample_pid):
+    def test_renders_full_pdf_with_highlight(self, sample_pid):
-        out = render_highlighted_page(sample_pid, 1, "Soziale Gerechtigkeit")
+        pdf_bytes, found_page = render_highlighted_page(sample_pid, 1, "Soziale Gerechtigkeit")
-        assert out is not None
+        assert pdf_bytes is not None
-        assert isinstance(out, bytes)
+        assert isinstance(pdf_bytes, bytes)
-        # PDF magic header
+        assert pdf_bytes[:5] == b"%PDF-"
-        assert out[:5] == b"%PDF-"
+        assert found_page >= 1
-        # PyMuPDF behält bei insert_pdf gemeinsame Resources (Fonts, Images)
-        # mit, deshalb ist ein 1-Seiten-Sub-PDF nicht zwangsläufig winzig.
-        # Wir prüfen nur dass es überhaupt deutlich kleiner als das Original
-        # ist (< 50% der Programm-Größe).
-        from pathlib import Path
-        info = PROGRAMME[sample_pid]
-        original_size = (
-            Path(__file__).parent.parent / "app" / "static" / "referenzen" / info["pdf"]
-        ).stat().st_size
-        assert len(out) < original_size, (
-            f"sub-PDF {len(out)} not smaller than original {original_size}"
-        )
 
     def test_returns_pdf_even_when_query_empty(self, sample_pid):
-        # Empty query → render the page without any annotations
+        pdf_bytes, found_page = render_highlighted_page(sample_pid, 1, "")
-        out = render_highlighted_page(sample_pid, 1, "")
+        assert pdf_bytes is not None
-        assert out is not None
+        assert pdf_bytes[:5] == b"%PDF-"
-        assert out[:5] == b"%PDF-"
 
     def test_returns_pdf_even_when_query_not_found(self, sample_pid):
-        # No match → still render the page (no highlights)
+        pdf_bytes, found_page = render_highlighted_page(
-        out = render_highlighted_page(
             sample_pid, 1, "this exact phrase definitely does not exist anywhere",
         )
-        assert out is not None
+        assert pdf_bytes is not None
-        assert out[:5] == b"%PDF-"
+        assert pdf_bytes[:5] == b"%PDF-"
 
 
 def test_format_quotes_truncates_long_chunks_at_500_chars():