feat: fuzzy matching Picnic ↔ Leclerc + page /matches dans le dashboard

Nouvelle table product_matches (status: pending/validated/rejected).
Matching via RapidFuzz token_sort_ratio, seuil configurable (défaut 85%).

Workflow :
  1. python -m tickettracker.cli match [--threshold 85]
     → calcule et stocke les paires candidates
  2. http://localhost:8000/matches
     → l'utilisateur valide ou rejette chaque paire
  3. La comparaison de prix enrichie avec les paires validées

Nouvelles dépendances : rapidfuzz, watchdog (requirements.txt).
10 tests ajoutés (test_matcher.py), tous passent.
Suite complète : 129 passent, 1 xfail, 0 échec.

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

tickettracker/db/matcher.py

@@ -0,0 +1,90 @@
+"""
+Fuzzy matching entre produits Picnic et Leclerc.
+
+Utilise RapidFuzz (token_sort_ratio) pour rapprocher des produits dont le nom
+n'est pas identique mais désigne la même chose
+(ex : "Lait demi-écremé" ↔ "LAIT DEMI ECREME").
+
+Workflow :
+  1. find_fuzzy_matches()  — calcule les paires candidates
+  2. save_fuzzy_matches()  — les insère dans product_matches (ignoring duplicates)
+  3. L'utilisateur valide/rejette via le dashboard /matches
+"""
+
+import sqlite3
+from datetime import datetime, timezone
+
+from rapidfuzz import fuzz
+
+
+def find_fuzzy_matches(
+    conn: sqlite3.Connection,
+    threshold: float = 85.0,
+) -> list[dict]:
+    """Calcule les paires de produits similaires entre Picnic et Leclerc.
+
+    Utilise rapidfuzz.fuzz.token_sort_ratio (insensible à l'ordre des mots).
+    Ne retourne que les paires avec score >= threshold.
+    Les noms identiques sont exclus (ils sont déjà traités par get_compare_prices).
+
+    Args:
+        conn:      Connexion SQLite ouverte.
+        threshold: Score minimum 0–100 (défaut 85).
+
+    Returns:
+        Liste de dicts {name_picnic, name_leclerc, score}, triée par score décroissant.
+    """
+    # Noms normalisés distincts par enseigne
+    picnic_names = [
+        r[0]
+        for r in conn.execute(
+            "SELECT DISTINCT name_normalized FROM price_history "
+            "WHERE store='picnic' AND name_normalized IS NOT NULL"
+        )
+    ]
+    leclerc_names = [
+        r[0]
+        for r in conn.execute(
+            "SELECT DISTINCT name_normalized FROM price_history "
+            "WHERE store='leclerc' AND name_normalized IS NOT NULL"
+        )
+    ]
+
+    # Produit cartésien filtré par seuil
+    matches = []
+    for p in picnic_names:
+        for lec in leclerc_names:
+            if p == lec:
+                continue  # exact match déjà géré par get_compare_prices
+            score = fuzz.token_sort_ratio(p, lec)
+            if score >= threshold:
+                matches.append({"name_picnic": p, "name_leclerc": lec, "score": score})
+
+    return sorted(matches, key=lambda x: -x["score"])
+
+
+def save_fuzzy_matches(conn: sqlite3.Connection, matches: list[dict]) -> int:
+    """Insère les nouvelles paires dans product_matches (ignore les doublons).
+
+    Utilise INSERT OR IGNORE pour ne pas écraser les paires déjà en base
+    (statut 'validated' ou 'rejected' conservé).
+
+    Args:
+        conn:    Connexion SQLite ouverte.
+        matches: Résultat de find_fuzzy_matches().
+
+    Returns:
+        Nombre de nouvelles paires réellement insérées.
+    """
+    created_at = datetime.now(timezone.utc).isoformat()
+    inserted = 0
+    with conn:
+        for m in matches:
+            cur = conn.execute(
+                "INSERT OR IGNORE INTO product_matches "
+                "(name_picnic, name_leclerc, score, status, created_at) "
+                "VALUES (?, ?, ?, 'pending', ?)",
+                (m["name_picnic"], m["name_leclerc"], m["score"], created_at),
+            )
+            inserted += cur.rowcount
+    return inserted