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/notes_bas_page.py

@@ -0,0 +1,128 @@
+"""Lecture des listes de notes en fin de rapport de dimension.
+
+Cinq dimensions (dim06, dim08, dim09, dim11, dim12) ne portent pas — ou peu —
+de blocs sourcés : leurs références vivent dans une liste finale du type ::
+
+    [^1141^] senat.fr — Texte n° 890, projet de loi cohésion républicaine
+             (09/07/2026) — https://www.senat.fr/leg/pjl25-890.html
+    [^44^]   diplomatie.gouv.fr, 16/04/2026.
+
+Toutes ne portent pas d'URL : sur les 258 notes du corpus, 150 en sont
+dépourvues. Deux cas sont alors distingués :
+
+- la note cite un identifiant Légifrance (``JORFTEXT…``, ``JORFARTI…``) : l'URL
+  canonique est reconstruite, ce qui n'invente rien puisque le schéma d'URL est
+  fixe et documenté ;
+- sinon la référence est conservée telle quelle, sans URL, et comptée comme
+  « non résolue » dans le compte-rendu d'import. Elle pourra être rapprochée de
+  la bibliographie consolidée, qui, elle, est intégralement liée.
+"""
+
+from __future__ import annotations
+
+import re
+from dataclasses import dataclass
+from datetime import date
+
+from pipeline.modeles import Confiance, Source
+from pipeline.parseurs.dates_fr import lire_date
+from pipeline.parseurs.markdown import nettoyer
+
+ANNEE_CORPUS = 2026
+
+_LIGNE_NOTE = re.compile(r"^\[\^([0-9.]+)\^\]\s+(.*)$")
+_URL = re.compile(r"https?://[^\s;,)\]]+")
+_IDENTIFIANT_LEGIFRANCE = re.compile(r"\b(JORFTEXT\d{12}|JORFARTI\d{12}|LEGITEXT\d{12})\b")
+_DATE_PARENTHESES = re.compile(r"\(([^)]*\d{4}[^)]*)\)")
+
+# Schéma d'URL documenté de Légifrance : un identifiant JORF s'ouvre toujours à
+# cette adresse. Reconstruire le lien n'ajoute aucune information nouvelle.
+_GABARIT_LEGIFRANCE = "https://www.legifrance.gouv.fr/jorf/id/{identifiant}"
+
+
+@dataclass(slots=True)
+class Note:
+    """Une référence numérotée en fin de rapport de dimension."""
+
+    dimension: str
+    numero: str
+    texte: str
+    url: str | None = None
+    editeur: str | None = None
+    date_publication: date | None = None
+    url_reconstruite: bool = False
+
+    @property
+    def marqueur(self) -> str:
+        return f"{self.dimension}-{self.numero}"
+
+    def en_source(self) -> Source | None:
+        """Convertit la note en source, ou `None` si elle n'a pas d'URL."""
+        if not self.url:
+            return None
+        return Source(
+            url=self.url,
+            titre=self.texte[:280] or None,
+            editeur=self.editeur,
+            date_publication=self.date_publication,
+            confiance=Confiance.MEDIUM,
+            marqueur=self.marqueur,
+            fichier_origine=f"research/lois-2026_{self.dimension}.md",
+        )
+
+
+def parser(markdown: str, dimension: str) -> list[Note]:
+    """Extrait toutes les notes numérotées d'un rapport de dimension."""
+    notes: list[Note] = []
+
+    for ligne in markdown.splitlines():
+        correspondance = _LIGNE_NOTE.match(ligne.strip())
+        if not correspondance:
+            continue
+        notes.append(_lire_note(correspondance.group(1), correspondance.group(2), dimension))
+
+    return notes
+
+
+def _lire_note(numero: str, corps: str, dimension: str) -> Note:
+    url: str | None = None
+    reconstruite = False
+
+    if trouvee := _URL.search(corps):
+        url = trouvee.group(0).rstrip(".,;)")
+    elif identifiant := _IDENTIFIANT_LEGIFRANCE.search(corps):
+        url = _GABARIT_LEGIFRANCE.format(identifiant=identifiant.group(1))
+        reconstruite = True
+
+    return Note(
+        dimension=dimension,
+        numero=numero,
+        texte=nettoyer(_sans_url(corps)),
+        url=url,
+        editeur=_lire_editeur(corps),
+        date_publication=_lire_date_note(corps),
+        url_reconstruite=reconstruite,
+    )
+
+
+def _sans_url(corps: str) -> str:
+    return _URL.sub("", corps).strip(" —–-:.,")
+
+
+def _lire_editeur(corps: str) -> str | None:
+    """L'éditeur ouvre la note, avant le tiret cadratin ou la première virgule."""
+    debut = _sans_url(corps)
+    for separateur in ("—", "–", " : ", ","):
+        if separateur in debut:
+            debut = debut.split(separateur, 1)[0]
+            break
+    debut = nettoyer(debut).strip(" .")
+    return debut[:120] or None
+
+
+def _lire_date_note(corps: str) -> date | None:
+    """Date entre parenthèses en priorité, sinon première date du corps."""
+    for parenthese in _DATE_PARENTHESES.findall(corps):
+        if lue := lire_date(parenthese, annee_defaut=ANNEE_CORPUS):
+            return lue
+    return lire_date(_sans_url(corps), annee_defaut=ANNEE_CORPUS)