chore(scripts): add reprocess_audit30.py for quality regression testing

Petit utilitaire pour re-traiter le corpus audit_30 avec le code courant
et générer un dossier de sortie horodaté.

Usage:
    python scripts/reprocess_audit30.py [--out /tmp/.../foo] [--no-ner]

Lit la liste des 29 docs depuis evaluation/baseline_scores.json, retrouve
chaque PDF source dans /home/dom/Téléchargements/.../CHCB_DocJustificatifs,
appelle process_pdf() pour chacun, sortie dans /tmp/reprocess_audit30/
(ou --out).

Permet ensuite de mesurer la qualité avec :
    python scripts/evaluate_quality.py --dir <output> --compare

Validé sur audit_30 — 29 docs en ~4 min avec NER ONNX.

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

scripts/reprocess_audit30.py

@@ -0,0 +1,132 @@
+#!/usr/bin/env python3
+"""Reprocess corpus audit_30 avec le code actuel.
+
+Lit la liste des documents depuis evaluation/baseline_scores.json, retrouve
+chaque PDF source dans le dossier des justificatifs CHCB, et appelle
+process_pdf() pour chacun.
+
+Sortie : un dossier horodaté sous /tmp/reprocess_audit30/<timestamp>/ avec
+les .pseudonymise.txt + .audit.jsonl + .redacted_raster.pdf pour pouvoir
+lancer ensuite `evaluate_quality.py --compare --dir <ce dossier>`.
+
+Usage:
+    python scripts/reprocess_audit30.py [--out /tmp/.../foo]
+
+Note : NER ONNX activé par défaut (gazetteers, INSEE, FINESS, BDPM).
+"""
+from __future__ import annotations
+
+import argparse
+import json
+import sys
+import time
+import traceback
+from datetime import datetime
+from pathlib import Path
+
+PROJECT_DIR = Path(__file__).parent.parent
+sys.path.insert(0, str(PROJECT_DIR))
+
+from anonymizer_core_refactored_onnx import process_pdf, NerModelManager, NerThresholds  # noqa: E402
+
+BASELINE_PATH = PROJECT_DIR / "evaluation" / "baseline_scores.json"
+SOURCE_ROOT = Path(
+    "/home/dom/Téléchargements/II-1 Ctrl_T2A_2025_CHCB_DocJustificatifs (1)"
+)
+
+
+def list_baseline_docs() -> list[str]:
+    data = json.loads(BASELINE_PATH.read_text(encoding="utf-8"))
+    return list(data["per_file"].keys())
+
+
+def find_source_pdf(doc_name: str) -> Path | None:
+    """Cherche un PDF dont le stem matche doc_name dans SOURCE_ROOT."""
+    # Cas Trackare : nom complexe, on garde le pattern principal
+    # Sinon : recherche directe sur le stem
+    matches = list(SOURCE_ROOT.glob(f"**/{doc_name}.pdf"))
+    if matches:
+        return matches[0]
+    # Tentative avec variantes (espaces vs underscores)
+    alt = doc_name.replace("_", " ")
+    matches = list(SOURCE_ROOT.glob(f"**/{alt}.pdf"))
+    if matches:
+        return matches[0]
+    return None
+
+
+def main():
+    ap = argparse.ArgumentParser()
+    ap.add_argument("--out", type=str, default=None)
+    ap.add_argument("--no-ner", action="store_true",
+                    help="Désactiver NER ONNX (test gazetteers + regex seulement)")
+    args = ap.parse_args()
+
+    timestamp = datetime.now().strftime("%Y%m%d-%H%M%S")
+    out_dir = Path(args.out) if args.out else Path(f"/tmp/reprocess_audit30/{timestamp}")
+    out_dir.mkdir(parents=True, exist_ok=True)
+
+    docs = list_baseline_docs()
+    print(f"Reprocess {len(docs)} docs from baseline → {out_dir}")
+    print(f"NER ONNX : {'OFF' if args.no_ner else 'ON (gazetteers + regex + NER)'}")
+    print("=" * 70)
+
+    # NER ONNX
+    ner = None
+    if not args.no_ner and NerModelManager is not None:
+        try:
+            ner = NerModelManager(cache_dir=PROJECT_DIR / "models")
+            ner.load("cmarkea/distilcamembert-base-ner")
+            print("NER ONNX loaded.")
+        except Exception as e:
+            print(f"NER ONNX failed to load: {e} → fallback regex+gazetteers only")
+            ner = None
+
+    ner_thresholds = NerThresholds() if NerThresholds and ner else None
+
+    results = []
+    missing = []
+    failed = []
+    t_start = time.time()
+
+    for i, doc_name in enumerate(docs, 1):
+        pdf = find_source_pdf(doc_name)
+        if pdf is None:
+            missing.append(doc_name)
+            print(f"[{i:3}/{len(docs)}] MISSING : {doc_name}")
+            continue
+        t0 = time.time()
+        try:
+            out = process_pdf(
+                pdf, out_dir,
+                make_vector_redaction=True,
+                also_make_raster_burn=True,
+                use_hf=bool(ner),
+                ner_manager=ner,
+                ner_thresholds=ner_thresholds,
+            )
+            dt = time.time() - t0
+            status = out.get("status", "ok") if isinstance(out, dict) else "ok"
+            print(f"[{i:3}/{len(docs)}] {status:11} ({dt:5.1f}s) : {doc_name}")
+            results.append((doc_name, status, dt))
+        except Exception as e:
+            dt = time.time() - t0
+            failed.append((doc_name, str(e)))
+            print(f"[{i:3}/{len(docs)}] FAILED      ({dt:5.1f}s) : {doc_name} — {e}")
+            traceback.print_exc()
+
+    t_total = time.time() - t_start
+    print("=" * 70)
+    print(f"Total time : {t_total:.1f}s ({t_total/60:.1f} min)")
+    print(f"OK       : {len(results)}")
+    print(f"Missing  : {len(missing)}")
+    print(f"Failed   : {len(failed)}")
+    print()
+    print(f"Output dir : {out_dir}")
+    print()
+    print("Pour évaluer la qualité :")
+    print(f"    python scripts/evaluate_quality.py --dir {out_dir} --compare")
+
+
+if __name__ == "__main__":
+    main()