feat(pdf): gemeinsames pdfutil — Scan-PDFs als Bild + OCR (Files & Mail)

Scan-/bildbasierte PDFs werden jetzt von Files-MCP (read_file) UND Mail-MCP
(read_attachment) ueber das gemeinsame Modul pdfutil.py verarbeitet: Seiten via
PyMuPDF als PNG (150dpi, max 20) + OCR-Text (tesseract deu+eng). Verschluesselte/
kaputte PDFs bleiben graceful. Deps: pymupdf, pytesseract (+ system tesseract-ocr).
76 Tests gruen.

files/server.py

@@ -13,6 +13,7 @@ from starlette.routing import Mount
 
 sys.path.insert(0, os.path.dirname(os.path.dirname(__file__)))
 from common import get_current_user, OAUTH_ROUTES, BearerAuthMiddleware
+from pdfutil import pdf_to_content
 
 from common import load_config as _lc
 _cfg = _lc()
@@ -116,38 +117,7 @@ def read_file(
     if any(t in ct for t in TEXT_HINTS):
         return [TextContent(type="text", text=r.text[:100000])]
     if ct == "application/pdf" or path.lower().endswith(".pdf"):
-        try:
-            import pdfplumber
-            with pdfplumber.open(io.BytesIO(r.content)) as pdf:
-                pages = []
-                for i, page in enumerate(pdf.pages, 1):
-                    t = page.extract_text() or ""
-                    if t.strip():
-                        pages.append(f"--- Seite {i} ---\n{t}")
-                text = "\n\n".join(pages)
-            if text.strip():
-                return [TextContent(type="text", text=f"[PDF: {path}]\n\n{text[:200000]}")]
-            # Kein extrahierbarer Text -> bildbasiert/gescannt: Seiten als Bilder
-            # rendern, damit das LLM sie per Vision lesen kann (statt nutzloser Rohbytes).
-            try:
-                import fitz  # PyMuPDF
-                doc = fitz.open(stream=r.content, filetype="pdf")
-                n = doc.page_count
-                MAX_PAGES = 20
-                out = [TextContent(type="text", text=f"[PDF '{path}' ist bildbasiert/gescannt ({n} Seite(n)) — als Bilder gerendert:]")]
-                for i in range(min(n, MAX_PAGES)):
-                    pix = doc[i].get_pixmap(dpi=150)
-                    out.append(ImageContent(type="image", data=base64.b64encode(pix.tobytes("png")).decode(), mimeType="image/png"))
-                if n > MAX_PAGES:
-                    out.append(TextContent(type="text", text=f"[... {n - MAX_PAGES} weitere Seiten ausgelassen (Limit {MAX_PAGES}).]"))
-                return out
-            except Exception as e:
-                return [
-                    TextContent(type="text", text=f"[PDF '{path}' ist bildbasiert; Rendern fehlgeschlagen ({e}). Rohdaten folgen.]"),
-                    EmbeddedResource(type="resource", resource=BlobResourceContents(uri=f"file://{path}", blob=base64.b64encode(r.content).decode(), mimeType=ct)),
-                ]
-        except Exception as e:
-            return [TextContent(type="text", text=f"PDF '{path}' konnte nicht gelesen werden: {e}")]
+        return pdf_to_content(r.content, path, ct)
     try:
         text = r.content.decode("utf-8")
         return [TextContent(type="text", text=text[:100000])]