feat: qualité anonymisation — sur-anonymisation, fuites PHI, nettoyage bruit

P0-A: stop words français + seuil subparts 5 chars + sweep conditionnel
P0-B: 6 nouveaux patterns PHI (DDN, Par, N Ipp, Adresse, DEMANDE, venue)
P2-C: cohérence pseudonymes (_find_matching_entity) + fix crochets
P1-B: text_cleaner.py — sidebar OCR, footers, dédup vitales, collapse blanks
P1-A: dédup CRH par SequenceMatcher (seuil 85%)
Tests: 34 nouveaux tests (996 pass, 0 fail)

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

src/extraction/document_splitter.py

@@ -12,6 +12,7 @@ from __future__ import annotations
 
 import re
 import logging
+from difflib import SequenceMatcher
 
 logger = logging.getLogger(__name__)
 
@@ -121,4 +122,35 @@ def _split_crh(text: str) -> list[str]:
         end = crh_starts[i + 1] if i + 1 < len(crh_starts) else len(text)
         chunks.append(text[start:end].rstrip())
 
+    # Déduplication : supprimer les copies quasi-identiques (destinataires multiples)
+    chunks = _dedup_chunks(chunks)
+
     return chunks
+
+
+def _dedup_chunks(chunks: list[str], threshold: float = 0.85) -> list[str]:
+    """Supprime les chunks quasi-identiques (copies pour destinataires multiples).
+
+    Compare les 500 premiers caractères de chaque paire.
+    Si le ratio de similarité > threshold, le doublon est supprimé.
+    """
+    if len(chunks) <= 1:
+        return chunks
+
+    duplicates: set[int] = set()
+    for i in range(len(chunks)):
+        if i in duplicates:
+            continue
+        for j in range(i + 1, len(chunks)):
+            if j in duplicates:
+                continue
+            ratio = SequenceMatcher(
+                None,
+                chunks[i][:500],
+                chunks[j][:500],
+            ).ratio()
+            if ratio > threshold:
+                duplicates.add(j)
+                logger.info("  CRH chunk %d doublon de %d (ratio=%.2f), supprimé", j + 1, i + 1, ratio)
+
+    return [c for idx, c in enumerate(chunks) if idx not in duplicates]