feat(q1): G - B-1 métadonnées sortie (audit.jsonl + XMP PDF)

Implémentation de la traçabilité B-1 sur les sorties d'anonymisation.

## .audit.jsonl — entrée metadata en 1ère ligne

Chaque .audit.jsonl commence maintenant par une entrée :
  {"type": "metadata",
   "app_version": "0.11.0-mvp",
   "build_date": "...",
   "build_commit": "...",
   "build_branch": "...",
   "processed_at": "<iso>",
   "document_name": "...",
   "ocr_used": bool,
   "extracted_chars": int,
   "quarantine_flags": []}

Permet de prouver a posteriori avec quelle config un document a été
anonymisé (audit DPO / CNIL).

## XMP PDF — _apply_pseudo_xmp_metadata()

Helper appelé avant doc.save() dans redact_pdf_vector et redact_pdf_raster :

1. doc.set_metadata({}) — efface TOUTES les métadonnées source
   (CRITIQUE : les PDF source peuvent contenir le nom patient dans
   /Author, /Title, /Keywords)
2. Pose nos métadonnées : creator/producer "Pseudonymisation v...",
   title="Document anonymise", author vide, keywords avec commit+ts
3. Garde-fou : log + overwrite si une métadonnée source survit
   (defense in depth)

## Constantes module-level

- APP_VERSION = "0.11.0-mvp" (à incrémenter avant chaque rebuild release)
- BUILD_DATE/BUILD_COMMIT/BUILD_BRANCH chargés depuis build_info.py
  (regénéré à chaque rebuild EXE). Fallback "dev/unknown" en dev.

## Tests

74 passed, 10 xfailed — pas de régression.

Ref: docs/coordination/inbox/for-dom/2026-05-29_consolide_pseudocode-Q1-v2.md §7

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

anonymizer_core_refactored_onnx.py

@@ -20,6 +20,7 @@ import re
 import shutil
 import sys
 from concurrent.futures import ProcessPoolExecutor
+from datetime import datetime
 
 log = logging.getLogger(__name__)
 from dataclasses import dataclass, field
@@ -103,6 +104,17 @@ except ImportError:
     SEUIL_TEXTE_MINI = 100
     SEUIL_RESCAN_RESIDUEL = 0
 
+# B-1 — métadonnées de sortie (audit.jsonl + XMP PDF)
+# build_info.py est regénéré à chaque rebuild EXE (cf scripts/build_*).
+# En mode dev, fallback sur valeurs neutres.
+try:
+    from build_info import BUILD_DATE, BUILD_COMMIT, BUILD_BRANCH  # type: ignore
+except ImportError:
+    BUILD_DATE = "dev"
+    BUILD_COMMIT = "unknown"
+    BUILD_BRANCH = "dev"
+APP_VERSION = "0.11.0-mvp"  # incrémenter avant rebuild release
+
 
 def _load_edsnlp_drug_names() -> set:
     """Charge les noms de médicaments mono-mot depuis edsnlp/resources/drugs.json.
@@ -3868,6 +3880,50 @@ def _search_whole_word(page, token: str) -> list:
                         rects.append(fitz.Rect(w[0], w[1], w[2], w[3]))
     return rects
 
+def _apply_pseudo_xmp_metadata(doc) -> None:
+    """B-1 — pose les métadonnées XMP de l'application sur un PDF de sortie.
+
+    CRITIQUE : efface d'abord les métadonnées source pour éviter les fuites
+    (les PDF d'origine peuvent contenir le nom du patient dans /Author, /Title,
+    /Keywords). Pose ensuite nos propres métadonnées et vérifie l'absence de
+    fuite résiduelle via assertion log.
+    """
+    if doc is None:
+        return
+    # 1. Effacer toutes les métadonnées source
+    try:
+        doc.set_metadata({})
+    except Exception as e:
+        log.warning("XMP clear failed: %s", e)
+    # 2. Poser nos métadonnées
+    now_iso = datetime.now().astimezone().isoformat()
+    new_meta = {
+        "creator": f"Pseudonymisation v{APP_VERSION}",
+        "producer": f"Pseudonymisation v{APP_VERSION} commit {BUILD_COMMIT}",
+        "title": "Document anonymise",
+        "subject": "Pseudonymisation medicale",
+        "keywords": f"pseudonymisation; commit={BUILD_COMMIT}; ts={now_iso}",
+        "author": "",
+        "creationDate": "",
+        "modDate": "",
+    }
+    try:
+        doc.set_metadata(new_meta)
+    except Exception as e:
+        log.warning("XMP set_metadata failed: %s", e)
+        return
+    # 3. Garde-fou : vérifier qu'aucune métadonnée source n'a survécu
+    final_meta = doc.metadata or {}
+    for key in ("author", "title", "subject", "creator"):
+        val = (final_meta.get(key) or "")
+        if val and "Pseudonymisation" not in val and val not in ("Document anonymise", ""):
+            log.error("XMP leak suspect: %s=%r — overwriting", key, val)
+            try:
+                doc.set_metadata({**new_meta, key: ""})
+            except Exception:
+                pass
+
+
 def redact_pdf_vector(original_pdf: Path, audit: List[PiiHit], out_pdf: Path, ocr_word_map: OcrWordMap = None) -> None:
     if fitz is None:
         raise RuntimeError("PyMuPDF non disponible – installez pymupdf.")
@@ -3956,6 +4012,9 @@ def redact_pdf_vector(original_pdf: Path, audit: List[PiiHit], out_pdf: Path, oc
             # que process_pdf flag la quarantaine PDF.
             log.warning("apply_redactions failed on page %d: %s", page.number, e)
             raise
+    # B-1 : nettoyer les métadonnées source (peuvent contenir nom patient
+    # dans /Author, /Title, etc.) puis poser nos propres métadonnées XMP.
+    _apply_pseudo_xmp_metadata(doc)
     doc.save(str(out_pdf), deflate=True, garbage=4, clean=True, incremental=False)
     doc.close()
 
@@ -4178,6 +4237,8 @@ def redact_pdf_raster(original_pdf: Path, audit: List[PiiHit], out_pdf: Path, dp
     for pno, img_bytes, w, h in results:
         dst = out.new_page(width=w, height=h)
         dst.insert_image(fitz.Rect(0, 0, w, h), stream=img_bytes)
+    # B-1 : métadonnées XMP appliquées avant save (clear source + pose nôtre)
+    _apply_pseudo_xmp_metadata(out)
     out.save(str(out_pdf), deflate=True, garbage=4, clean=True)
     out.close()
 
@@ -4743,8 +4804,24 @@ def process_pdf(
     # Filtrer les entrées de propagation globale (page=-1) avant d'écrire l'audit
     # Ces entrées sont utilisées pour le remplacement dans le texte mais ne sont pas des détections réelles
     audit_for_file = [hit for hit in anon.audit if hit.page != -1]
-    
+
+    # B-1 : entrée metadata en 1ère ligne du .audit.jsonl
+    # Permet de prouver a posteriori avec quelle config un document a été
+    # anonymisé (traçabilité DPO / CNIL).
+    metadata_record = {
+        "type": "metadata",
+        "app_version": APP_VERSION,
+        "build_date": BUILD_DATE,
+        "build_commit": BUILD_COMMIT,
+        "build_branch": BUILD_BRANCH,
+        "processed_at": datetime.now().astimezone().isoformat(),
+        "document_name": base,
+        "ocr_used": bool(ocr_used),
+        "extracted_chars": int(extracted_chars),
+        "quarantine_flags": [],
+    }
     with audit_path.open("w", encoding="utf-8") as f:
+        f.write(json.dumps(metadata_record, ensure_ascii=False) + "\n")
         for hit in audit_for_file:
             f.write(json.dumps(hit.__dict__, ensure_ascii=False) + "\n")
     outputs = {"text": str(txt_path), "audit": str(audit_path)}