Étape 3 : import CSV/Excel des bénévoles et disponibilités

- Fichier unique, processus en deux temps : POST /editions/{id}/import/analyze
  (colonnes détectées, aperçu, mapping suggéré, demi-journées de l'édition)
  puis POST /editions/{id}/import/execute (mapping validé)
- Parser CSV (délimiteur et encodage devinés, BOM) et XLSX (openpyxl),
  détection XLSX par nombre magique
- Vocabulaire des valeurs de disponibilité (tri-état, accents/casse) et des
  tailles de t-shirt ; compétences créées à la volée dans le référentiel
- Rapport ligne par ligne : codes de traduction + paramètres, jamais de
  phrase. Doublons : upsert sur email, signalement sur (nom, prénom) sans
  email, doublons intra-fichier. Mode simulation (rollback, rien de persisté)
- 40 tests : parser, valeurs, service (tous les cas), endpoints
- Dépendances : python-multipart, openpyxl

Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_017uUsRg7XzopkCPWimwg9ZM

backend/app/importing/text.py

@@ -0,0 +1,26 @@
+"""Normalisation de texte partagée par l'import (accents, casse, découpage)."""
+
+import re
+import unicodedata
+
+_SKILL_SEPARATORS = re.compile(r"[;,/\n]+")
+_MULTI_UNDERSCORE = re.compile(r"_+")
+
+
+def normalize(value: str) -> str:
+    """Minuscule, sans accents, espaces réduits."""
+    lowered = unicodedata.normalize("NFKD", (value or "").strip().lower())
+    stripped = "".join(c for c in lowered if not unicodedata.combining(c))
+    return " ".join(stripped.split())
+
+
+def slug_code(value: str) -> str:
+    """Code stable pour une compétence : MAJUSCULES, séparateurs en `_`."""
+    base = normalize(value).upper()
+    chars = [c if c.isalnum() else "_" for c in base]
+    return _MULTI_UNDERSCORE.sub("_", "".join(chars)).strip("_")
+
+
+def split_skills(value: str) -> list[str]:
+    parts = (p.strip() for p in _SKILL_SEPARATORS.split(value or ""))
+    return [p for p in parts if p]