# S02 – Säubern + Deduplizieren

Lies `prompts/suggestions/00-MASTER.md`. Nutze die Ausgabe aus S01.

## Auftrag

Erzeuge `web/scripts/clean-phrases.json`:

```json
{
  "activities": [{ "text": "...", "count": 14, "sources": ["..."] }],
  "themes": [{ "text": "...", "count": 5 }],
  "school": [{ "text": "...", "count": 2 }]
}
```

## Filter (muss weg)

- `Abteilung`, `Ausbildungsnachweis`, `Für die Zeit`, `Name`, `Datum`
- `Lfd. Nr.`, `Unterschrift`, `Ausbilderin`, Punkte-Linien `……`
- reine Zahlen / lange Ziffernblöcke / XML-Artefakte
- `Ferien` als Activity (gehört nur ins Berufsschule-Feld der Woche)
- doppelte Zeilen durch Tabellen-Duplikate in Word (gleiche Phrase 2× im selben Heft → count sinnvoll)

## Dedup

- case-insensitive
- trim, Whitespace normalisieren
- optionale Endpunkt-Varianten zusammenführen (`Termine geplant und vergeben.` ≈ ohne Punkt)

## Abnahme

- [ ] Top-Activities sehen aus wie echte Heftzeilen
- [ ] `Termine vereinbart` / `Ablage …` / `Rechnungen …` sind oben, wenn häufig
- [ ] Kein sichtbarer Müll in den Top 50