feat(bibliography,#14407): catalogue identifiants du gisement (tranche A5)

[jsboige]

Grain: MED/tooling — lane myia-po-2027:CoursIA-2 — prev: MED/docs #19062

Périmètre : 1 fichier : scripts/build_bibliography_identifier_catalog.py

See #14407 (flux 2, tranche A5 — l'index par identifiant qui manque). Pas de Closes : l'umbrella reste ouverte (flux 1 migration en cours côté po-2025, A2 acquisition et A6 étalérage restent gated).

Ce que la tranche livre

L'outillage A5 : scripts/build_bibliography_identifier_catalog.py, constructeur du catalogue identifiant ↔ chemin canonique du gisement bibliographique. La colonne chemin_gisement des CSVs de résolution A1 (arXiv, DOI) était remplie à la main ; ce catalogue la rend mécanisable (jointure --a1-csv intégrée).

Conception, héritée de check_bibliography_pdf_integrity.py (l'organe d'intégrité du gisement) :

• Deux sources d'extraction par PDF : le nom de fichier (confiance elevee — nommage curate) et la première page (tampons arXiv:####.#####, DOI d'éditeur), avec distinction marquée/ nue : les formes marquées sont elevee, les formes nues standard — un numéro de rapport interne peut matcher le motif arXiv nu, la colonne confiance + contexte permettent d'en juger.
• Lecture hydratation-aware : retente après copie locale quand le client Google Drive sert le fichier en streaming (pattern OK_AFTER_HYDRATE du script d'intégrité) ; un échec définitif est rapporté ILLISIBLE sans interrompre le parcours (budget global --max-seconds).
• Aucune modification du gisement : sortie additive, un CSV date à la racine (IDENTIFIANTS-catalogue-YYYY-MM-DD.csv), règle bibliography-hygiene respectée (catalogue d'indexation, jamais dans des copies physiques supplémentaires ; aucun PDF dans le dépôt).
• Jointure --a1-csv (répétable) : pour chaque identifiant d'un CSV A1, rend total / résolus / non résolus — la preuve que A1 devient mécanisable.

Validation

• Extraction vérifiée sur cas synthétiques avant le run : nom de fichier (arXiv nu + DOI avec ponctuation terminale nettoyée), texte (tampons arXiv/DOI marqués → elevee ; rapport interne 2345.67890 → standard, comme attendu).
• Run complet contre le gisement le 2026-10-04 : compte-rendu dans le commentaire de livraison sur [EPIC] Bibliographie — alimenter le gisement canonique : migration du fonds d'origine, puis les 235 references citees sans copie locale, puis l'etagerage #14407 (chemin GDrive du CSV snapshot + chiffres de couverture). Les chiffres vivent sur l'issue, pas dans ce body.
• pypdf 6.19.0 (venv) ; pas de dépendance nouvelle.
• Documentation en français (règle §E) ; pas d'emoji ; type hints.

🤖 Generated with Claude Code

[github-actions]

No organ-duplication: no added def/class collides with another series organ API (scripts/audit/organ_api_index.yaml).

Detector: python scripts/audit/detect_organ_duplication.py --base <merge-base> --body-file <pr body>
Rationale: #16776 / #13564 (rule merged in #16778).

[github-actions]

Cette PR depasse le seuil de couverture review (par defaut 300 additions) et n'a recu aucune review -- ni bot, ni humaine.

Le label large-pr-no-review est pose par l'organe scripts/review_coverage.py porte par l'issue #11232. Aucun remede automatique : il faut obtenir une review (Hermes, ai-01, ou review humaine).

Le label est retire au balayage suivant (quotidien) des qu'une review arrive -- dans reviews[] ou en commentaire de verdict -- ou que le diff passe sous le seuil. Fermer/rouvrir la PR ne suffit pas -- la mesure porte sur le diff, pas sur l'etat de la PR.

Seuil, historique et exceptions : cf. docs/reference/review-coverage-threshold.md.

[jsboige]

[ADJOINT PREFLIGHT]
schema: 1
lane: myia-po-2023:CoursIA-2
pr: 19077
head: e6667b2
complete: true
body: read
comments-reviewed: 2
reviews-reviewed: 0
threads-reviewed: 0
threads-unresolved: 0
surfaces-sha256: fb252dffb481402bb55f576ce31156b758d36f1370a7474d387d3c7658d99dfe
diff-files: 1
diff-additions: 370
diff-deletions: 0
checks: latest-wins-green
b0: clear
scope: pass
domain: pass
verdict: READY
[/ADJOINT PREFLIGHT]

Dossier tiers (dispatch ai-01 c1406, lot n2). Fond verifie firsthand a la tete exacte :

• Checks : 19/19 jambes latest-wins vertes, 0 rouge. B.0 : rc=0.
• Scope : 1 fichier = perimetre annonce. Tag Grain: MED/tooling + prev documente. See [EPIC] Bibliographie — alimenter le gisement canonique : migration du fonds d'origine, puis les 235 references citees sans copie locale, puis l'etagerage #14407 sans Closes (umbrella ouverte, flux 1 gated ailleurs).
• Domain : script EXECUTOIRE firsthand au head (python --help rc=0, interface --root/--out/--pages/--a1-csv/--json documentee, docstrings FR). Les 2 commentaires sont des advisories bots (organ-duplication: neant ; review-coverage: 370 additions > seuil 300 — note de couverture, non bloquante, B.0 clear). Mesure porteuse (408 PDFs, 184 identifiants) non rejouee par ce dossier — hors perimetre de la sonde, la lane la cite depuis son execution.