Phase 3 : sources, citations et seed complet — 368 sources, 0 texte orphelin

Parseurs :
- blocs_claim : les quatre dialectes des rapports de dimension. Le cahier des
  charges en postulait un seul ; sans les quatre, dim05 à dim12 étaient perdus,
  soit les dimensions associations, entreprises, migration et calendrier.
- notes_bas_page : 258 notes, dont 104 sans URL. Les identifiants JORFTEXT
  donnent lieu à une URL canonique reconstruite (schéma fixe, rien d'inventé) ;
  les autres restent sans lien plutôt que d'être devinées.
- bibliographie : 481 références, toutes liées. Indexées par numéro de loi,
  par affaire DC et par cote de document parlementaire — cette dernière étant
  la seule identité d'un texte déposé et non examiné.
- chapitres : rattachement phrase par phrase, résumés repris tels quels.

Résolution des citations : 100 % des 332 marqueurs du rapport, 93 % avec un
lien vérifiable. Il a fallu six conventions de numérotation, une par famille de
dimension (marqueur de fin, en-tête de claim, section, rang, note, section.rang).

Trois pièges corrigés, tous couverts par des tests :
- « décision n° 2026-903 DC » lu comme une loi, ce qui volait à la loi 2026-403
  les phrases — et donc les sources — qui parlaient d'elle
- retrait des marqueurs laissant « … dans les DROM . » ; corrigé à la source
  sans toucher aux espaces avant « ; » et « » » qu'exige le français
- « programmation militaire 2024-2030 » lu comme la loi n° 2024-2030

make seed : 52 textes, 368 sources, 83 événements, 12 affaires CC, 7 analyses.
Zéro texte sans source URL (critère §8.2). Les 2 textes sans résumé et les 17
pertinences déduites sont marqués « à vérifier » avec leur motif.

99 tests.

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

pipeline/parseurs/markdown.py

@@ -13,6 +13,9 @@ from dataclasses import dataclass, field
 # Marqueurs du corpus : [^dim07-24^], [^phase5-3.1^], [^insight-5^], [^481^]
 MOTIF_MARQUEUR = re.compile(r"\[\^([a-zA-Z0-9]+(?:-[0-9.]+)?)\^\]")
 
+# Le marqueur avec l'espace qui le précède, pour un retrait sans cicatrice.
+_MARQUEUR_ET_ESPACE = re.compile(r"[  \t]*(?:\[\^[a-zA-Z0-9]+(?:-[0-9.]+)?\^\])+")
+
 _EMPHASE = re.compile(r"\*{1,3}(.+?)\*{1,3}", re.DOTALL)
 _LIEN_MD = re.compile(r"\[([^\]]+)\]\(([^)]+)\)")
 _CODE = re.compile(r"`([^`]+)`")
@@ -114,7 +117,11 @@ def nettoyer(texte: str, *, garder_marqueurs: bool = False) -> str:
     resultat = _LIEN_MD.sub(r"\1", resultat)
     resultat = _EMPHASE.sub(r"\1", resultat)
     if not garder_marqueurs:
-        resultat = MOTIF_MARQUEUR.sub("", resultat)
+        # L'espace qui précède le marqueur est consommée avec lui, sinon le
+        # retrait laisse « … dans les DROM . ». On ne touche surtout pas aux
+        # autres espaces : la typographie française en veut une avant « ; »,
+        # « : », « ! », « ? » et à l'intérieur des guillemets « … ».
+        resultat = _MARQUEUR_ET_ESPACE.sub("", resultat)
     return " ".join(resultat.split()).strip(" ;,")