Statut : fait (vérification automatisée : check_glossary, lint_lots, lint_exigences, check_qt_version_pin, check_design_tokens, cahier de test et Doxygen verts ; deux exécutions successives de l'extraction produisent un fichier identique). Prérequis : LOT-77. Prérequis de tous les autres lots de la filière contenu.

Exigences couvertes : EX-CNT-020, EX-CNT-021, EX-CNT-022, EX-CNT-023.

Objectif

Outiller l'extraction des huit PDF de Documentation/SourceBook/ — environ 1 200 pages, 280 Mo — puis éprouver cet outillage sur son gisement le plus simple, le glossaire de traduction.

Ce lot ne produit presque pas de données de jeu. Il produit ce qui les produira, et une seule sortie : la table d'autorité des termes de règle. C'est délibéré — un outil d'extraction dont on n'a rien extrait est un outil dont on ne sait rien.

Fusionné à l'audit. Ce lot a absorbé l'ancien LOT-31 (lexique bilingue), qui livrait deux fichiers, soit un ordre de grandeur sous l'étalon. Le numéro LOT-31 est retiré.

Ce que le lot livre

scripts/sourcebook/corpus.toml — le manifeste des huit documents : empreinte SHA-256, nombre de pages, pagination, décalage, provenance (srd, tanares, phb-fr). Il est versionné ; les PDF qu'il décrit ne le sont pas (EX-CNT-023), d'où sa place à côté de l'outil et non à côté d'eux.

scripts/sourcebook/corpus.py — la lecture du manifeste, le refus d'un document dont l'empreinte ne correspond plus, et la correspondance page imprimée ↔ index PDF.

scripts/sourcebook/extraction.py — texte, tableaux par coordonnée, images par rendu clippé, cache disque indexé par empreinte, découpe en demi-pages.

scripts/sourcebook/glossaire.py et Source/Elements/Localization/rpg.glossary.csv — le lexique, anglais;français;catégorie, 2 084 entrées.

scripts/sourcebook/__main__.py — la ligne de commande : info, verifier, texte, tableau, image, regions, stats, glossaire.

scripts/check_glossary.py, exécuté en CI.

Ce que la réalisation a vérifié, et ce qu'elle a démenti

La double page est confirmée, chiffre à l'appui. La page PDF 50 du Tanares_Sourcebook porte les pages imprimées 100 et 101 ; celle du Players_Guide aussi. Les décalages des six autres documents ont été relevés un par un, et deux ne valent pas zéro : le Glossaire imprime « Page 1 » sur sa page PDF 0, les Basic Rules et Animaux sont décalés de −1. Le Manuel-Des-Joueurs a demandé un relevé statistique — son OCR est trop bruité pour qu'un numéro de page se lise à coup sûr — recoupé sur deux repères de structure : le chapitre 1 et le début du barde.

Le tableau par coordonnée tient, y compris sur un scan. La table des armes des Basic Rules sort en cinq colonnes alignées, chaque valeur en face de son arme. Surtout, la table de progression du barbare du Manuel-Des-Joueurs — un OCR — donne bien « Attaque supplémentaire » au niveau 5, là où un rendu en flux de texte décale toute la colonne d'un cran. C'était l'affirmation la plus risquée de l'analyse du corpus ; elle est vérifiée.

Une limite assumée, et son échappatoire. Le regroupement en colonnes par profil de projection échoue quand l'entrée la plus longue d'une colonne mord sur la suivante : sur la table des armes, « Épée à deux mains » ferme l'écart entre le nom et le dégât, et les deux colonnes fusionnent. La valeur reste juste, mais dans la mauvaise case. D'où --bornes, qui impose les séparations. C'est la seule ambiguïté qu'un humain doive lever, et elle se voit sur la première ligne.

Le glossaire porte 2 084 entrées, pas « environ 1 200 ». La feuille de route annonçait ce dernier chiffre depuis l'analyse du corpus ; il était sous-évalué de 74 %. La page est corrigée.

Le glossaire porte de vrais homonymes, et c'est ce qui a fait changer la clé d'unicité. light vaut « légère » comme propriété d'arme et « Lumière » comme sort ; bane vaut « Fléau / Imprécation » comme sort et « Baine » comme divinité ; piercer a deux acceptions. Dédupliquer sur l'anglais seul en écrasait un des deux en silence — et pour light, faisait traduire un sort par un adjectif d'arme. La clé est donc le couple (anglais, catégorie), et deux entrées de même couple qui divergeraient font échouer la construction.

Cent cinquante-trois lignes sur 2 231 sont des continuations. Le PDF coupe à la largeur de colonne ; une ligne sans = prolonge la précédente. Les ignorer aurait amputé autant de catégories sans rien signaler. Cinq entrées étaient en outre coupées après un trait d'union — « demi- orc », « outre- monde », « anti- détection » — et se recollent sans espace.

Le complément des Basic Rules est attesté, pas saisi

Trois manques du glossaire portent sur des ensembles fermés que le moteur énumérera :

les huit écoles de magie n'y figurent que sous leur forme « voie de magicien » (School of Abjuration = École d'abjuration), jamais nues ;
exhaustion = épuisement y est sans catégorie, alors que c'est la quinzième condition ;
la propriété d'arme special manque entièrement.

Chaque complément déclare la page où il est attesté, et le module vérifie que le terme français s'y trouve avant de l'écrire — page 32 pour les écoles, 49 pour spéciale, 134 pour épuisement. Un complément saisi de mémoire est une donnée inventée qui a l'apparence d'une donnée extraite ; c'est ce que le projet refuse, et une assertion vérifiable coûte moins cher qu'une relecture.

Le lexique fige au passage un faux ami que rien d'autre n'aurait attrapé : l'école conjuration se dit « invocation » en français, pas « conjuration ».

Ce que le contrôle vérifie, et pourquoi il s'auto-teste

scripts/check_glossary.py vérifie que le lexique est bien formé — pas de doublon de couple (anglais, catégorie), pas de terme vide, et les trois ensembles fermés au complet : 8 écoles, 15 conditions, 13 types de dégâts. Ces nombres sont fixés par les règles du jeu, pas par le corpus ; s'ils bougent, c'est l'extraction qui a régressé.

Il vérifie ensuite que toute clé de règle de fr.lang / en.lang — celles des espaces de noms condition., damage., school., weapon_property., ability., skill. — porte un terme du lexique, traduit comme le lexique le dit. La comparaison ignore la casse mais pas les accents : une table d'autorité française qui accepte « etourdi » pour « étourdi » n'impose plus rien.

Aucune clé de règle n'existe encore : les lots qui les créeront ne sont pas faits. Le contrôle serait donc vert par vacuité, et personne ne saurait s'il fonctionne — c'est exactement la panne du LOT-78, où une règle de lint contenait un caractère invisible qui l'empêchait de jamais correspondre. Il s'auto-teste donc à chaque appel, sur six catalogues fictifs (deux conformes, quatre fautifs) qu'il doit classer correctement avant d'avoir le droit de se prononcer sur les vrais. Si l'auto-test échoue, le script s'arrête sans rendre de verdict.

Ce que le lot ne fait pas

Il n'extrait aucune donnée de jeu. Ni créature, ni objet, ni sort : ils attendent les schémas du LOT-32, qui est le contrat que ces données devront honorer. Extraire avant le contrat produirait des JSON à reprendre entièrement.

Il n'extrait aucune illustration. L'outil sait proposer des régions candidates et rendre celles qu'on lui désigne ; le tri est humain, par construction (EX-CNT-022), et chaque lot de catalogue livrera ses propres images.

Rien de tout cela ne tourne en CI. Les PDF ne sont pas sur le runner et n'y seront pas (EX-CNT-023). Seul le lexique produit, qui est versionné, y est contrôlé.

Critères d'acceptation

Deux exécutions successives produisent un fichier identique (EX-CNT-020). ✔
Une empreinte qui ne correspond plus fait échouer l'extraction au lieu de produire des données décalées (EX-CNT-020). ✔
Aucun tableau n'est extrait en flux de texte ; la table du barbare, en OCR, sort juste au niveau près (EX-CNT-021). ✔
Les images passent par le rendu d'une région, jamais par le flux brut (EX-CNT-022). ✔
Le corpus et l'intermédiaire ne sont pas versionnés ; le lexique l'est (EX-CNT-023). ✔
check_glossary.py échoue si une clé de règle emploie un terme absent du lexique ou en contredit la traduction — vérifié par injection dans fr.lang, sur les trois formes de faute. ✔
check_glossary.py est exécuté en intégration continue. ✔