feat: Enhance PDF parsing with fallback to pdf-lib for improved handling of complex PDFs

Co-authored-by: Copilot <copilot@github.com>

README.md

@@ -11,6 +11,8 @@ Detta dokument är för systemadministratörer och utvecklare som driftar eller
 - Regelbaserad kvittotolkning har förbättrats för multipack, enheter och antaluttryck.
 - Parserstödet för brödrelaterade produkter och guardrails mot felkategorisering har utökats.
 - Integrationen med klienten för kvitto-session är fortfarande stateless i denna tjänst; ingen serverlagring av användarsession infördes.
+- Kvittokategorisering: nya regler för pasta, grädde, ägg, juice, godis, och potatis samt justerad AI-guardrail.
+- Testinfrastruktur: parametriserade enhetstester för kvittoimport (18 testfall) och CI/CD-pipeline med automatiserad testkörning på push.
 
 ## Viktigt!! Kod- och byggpraxis!
 Säkerställ att inga absoluta Windows-sökvägar används i koden, för att stödja bygg och drift på Linux/Ubuntu

backend/package-lock.json

@@ -14,6 +14,7 @@
         "class-transformer": "^0.5.1",
         "class-validator": "^0.15.1",
         "multer": "^1.4.5-lts.1",
+        "pdf-lib": "^1.17.1",
         "pdf-parse": "^1.1.1",
         "reflect-metadata": "^0.2.2",
         "rxjs": "^7.8.1",
@@ -648,6 +649,24 @@
         "npm": ">=5.0.0"
       }
     },
+    "node_modules/@pdf-lib/standard-fonts": {
+      "version": "1.0.0",
+      "resolved": "https://registry.npmjs.org/@pdf-lib/standard-fonts/-/standard-fonts-1.0.0.tgz",
+      "integrity": "sha512-hU30BK9IUN/su0Mn9VdlVKsWBS6GyhVfqjwl1FjZN4TxP6cCw0jP2w7V3Hf5uX7M0AZJ16vey9yE0ny7Sa59ZA==",
+      "license": "MIT",
+      "dependencies": {
+        "pako": "^1.0.6"
+      }
+    },
+    "node_modules/@pdf-lib/upng": {
+      "version": "1.0.1",
+      "resolved": "https://registry.npmjs.org/@pdf-lib/upng/-/upng-1.0.1.tgz",
+      "integrity": "sha512-dQK2FUMQtowVP00mtIksrlZhdFXQZPC+taih1q4CvPZ5vqdxR/LKBaFg0oAfzd1GlHZXXSPdQfzQnt+ViGvEIQ==",
+      "license": "MIT",
+      "dependencies": {
+        "pako": "^1.0.10"
+      }
+    },
     "node_modules/@pkgjs/parseargs": {
       "version": "0.11.0",
       "resolved": "https://registry.npmjs.org/@pkgjs/parseargs/-/parseargs-0.11.0.tgz",
@@ -3351,6 +3370,12 @@
       "dev": true,
       "license": "BlueOak-1.0.0"
     },
+    "node_modules/pako": {
+      "version": "1.0.11",
+      "resolved": "https://registry.npmjs.org/pako/-/pako-1.0.11.tgz",
+      "integrity": "sha512-4hLB8Py4zZce5s4yd9XzopqwVv/yGNhV1Bl8NTmCq1763HeK2+EwVTv+leGeL13Dnh2wfbqowVPXCIO0z4taYw==",
+      "license": "(MIT AND Zlib)"
+    },
     "node_modules/parent-module": {
       "version": "1.0.1",
       "resolved": "https://registry.npmjs.org/parent-module/-/parent-module-1.0.1.tgz",
@@ -3435,6 +3460,24 @@
         "node": ">=8"
       }
     },
+    "node_modules/pdf-lib": {
+      "version": "1.17.1",
+      "resolved": "https://registry.npmjs.org/pdf-lib/-/pdf-lib-1.17.1.tgz",
+      "integrity": "sha512-V/mpyJAoTsN4cnP31vc0wfNA1+p20evqqnap0KLoRUN0Yk/p3wN52DOEsL4oBFcLdb76hlpKPtzJIgo67j/XLw==",
+      "license": "MIT",
+      "dependencies": {
+        "@pdf-lib/standard-fonts": "^1.0.0",
+        "@pdf-lib/upng": "^1.0.1",
+        "pako": "^1.0.11",
+        "tslib": "^1.11.1"
+      }
+    },
+    "node_modules/pdf-lib/node_modules/tslib": {
+      "version": "1.14.1",
+      "resolved": "https://registry.npmjs.org/tslib/-/tslib-1.14.1.tgz",
+      "integrity": "sha512-Xni35NKzjgMrwevysHTCArtLDpPvye8zV/0E4EyYn43P7/7qvQwPh9BGkHewbMulVntbigmcT7rdX3BNo9wRJg==",
+      "license": "0BSD"
+    },
     "node_modules/pdf-parse": {
       "version": "1.1.4",
       "resolved": "https://registry.npmjs.org/pdf-parse/-/pdf-parse-1.1.4.tgz",

backend/package.json

@@ -14,6 +14,7 @@
     "class-transformer": "^0.5.1",
     "class-validator": "^0.15.1",
     "multer": "^1.4.5-lts.1",
+    "pdf-lib": "^1.17.1",
     "pdf-parse": "^1.1.1",
     "reflect-metadata": "^0.2.2",
     "rxjs": "^7.8.1",

backend/src/receipt-parsing/receipt-parsing.service.ts

@@ -282,11 +282,21 @@ export class ReceiptParsingService {
   private async parseReceiptFromPdf(buffer: Buffer, apiKey: string): Promise<ParsedReceiptItemRaw[]> {
     let text: string;
     try {
+      // Try pdf-parse first
       const data = await pdfParse(buffer);
       text = data.text;
     } catch (err) {
       this.logger.warn(`pdf-parse misslyckades: ${err}`);
-      throw new BadRequestException('PDF-filen kunde inte läsas. Kontrollera att filen inte är skadad.');
+      
+      // Fallback to pdf-lib for more complex PDFs
+      try {
+        const { PDFDocument } = await import('pdf-lib');
+        const pdfDoc = await PDFDocument.load(buffer);
+        text = pdfDoc.getPages().map(page => page.getText()).join(' ');
+      } catch (fallbackErr) {
+        this.logger.error(`Både pdf-parse och pdf-lib misslyckades: ${fallbackErr}`);
+        throw new BadRequestException('PDF-filen kunde inte läsas. Kontrollera att filen inte är skadad eller krypterad.');
+      }
     }
 
     const combinedLines = preprocessPdfLines(text);

next_steps_MSImporter.md

@@ -8,6 +8,8 @@ Detta dokument riktar sig till utvecklare och driftansvariga för microservice-i
 - Regelbaserad kvittotolkning har stärkts för multipack/enheter och svårare radformat.
 - Bröd-/rostbrödklassning har utökade guardrails för att minska felaktig kategorisering.
 - Klientens granskningsflöde och sessionpersistens i Flutter är implementerat, vilket minskar avbrott mellan parse och spara.
+- Kvittokategorisering: nya regler för pasta, grädde, ägg, juice, godis, och potatis samt justerad AI-guardrail.
+- Testinfrastruktur: parametriserade enhetstester för kvittoimport (18 testfall) och CI/CD-pipeline med automatiserad testkörning på push.
 
 ## Status (2026-05-03) — Driftsatt och integrerad med recipe-app
 
@@ -45,7 +47,7 @@ cd /opt/containers/recipe-app && git pull && ./deploy.sh
 ### Medel prioritet
 - **Fler webbplats-parsers** — Specifika parsers för t.ex. Tasteline, Köket.se, Arla
 - **Swagger/OpenAPI** — Automatisk API-dokumentation via `@nestjs/swagger`
-- **Testtäckning** — Enhetstester för parsers och `receipt-parsing.service.ts`
+- **Testtäckning** — Utökad enhetstesttäckning för parsers och `receipt-parsing.service.ts` (18 testfall för kvittoimport)
 
 ### Låg prioritet / Framtida
 - **Caching** — Cacha skrapade sidor för att minska belastning på externa webbplatser