नल की शीट: क्रिकेट कंटेंट पाइपलाइन की वह रिपोर्ट, जिसमें ग्यारह खानों में एक टैग बचा

मेरी स्क्रीन पर वह शीट खुली थी, और मैं उसे उसी तरह पढ़ रहा था जैसे बूथ में स्लो-मो फ़्रेम पढ़ता हूँ। सबसे ऊपर एक टैग लगा था — cricket_world। नीचे ग्यारह खाने थे: टाइटल, सोर्स, टाइप, एक-वाक्य सारांश, लेखक का रुख़, लेख का मक़सद, सूचना बिंदु, डोमेन लेबल, और अतिरिक्त नोट्स। ग्यारह में से दस खानों में null पड़ा था। सूचना बिंदुओं की गिनती शून्य थी।

यह कोई छोटा-मोटा सारांश नहीं था। छोटा सारांश भी कुछ देता है — तारीख़, नाम, नतीजा, किसी का बयान, किसी का आँकड़ा। यहाँ एक भी परमाणु तथ्य नहीं बचा। बूथ की भाषा में यह वह रिव्यू है जिसमें थर्ड अम्पायर के पास एक फ़्रेम है, गेंद का ट्रैक नहीं, स्टंप कैलिब्रेशन नहीं, अल्ट्रा-एज नहीं — और फ़ील्ड पर सॉफ़्ट सिग्नल 'आउट' टँगा है। The logbook begins where the gloves ended, and every doubt gets a timestamp. उस शीट पर टाइमस्टैम्प की जगह भी खाली छोड़ी गई थी। A soft signal is just a story the field is still telling, और यहाँ मैदान चुप था।

शीट ने जो बताया, वह इतना ही था: ख़बर क्रिकेट की है, बाक़ी हमें नहीं पता। यह 'नहीं पता' दो जगह और चुभता है। जहाँ लिखा था "एंटिटीज़: ऊपर दिए सूचना बिंदुओं से पहचानें", वहाँ पहचानने के लिए बिंदु ही नहीं थे। जहाँ लिखा था "सोर्स क्वालिटी: सूचना बिंदुओं के सोर्स फ़ील्ड के आधार पर आँकें", वहाँ किसी भी बिंदु के पास सोर्स फ़ील्ड मौजूद ही नहीं था। डॉक्युमेंट अपने ही दो निर्देशों का जवाब देने में नाकाम था। यह जानकारी को छोटा करने वाली गड़बड़ नहीं, जानकारी को खो देने वाली गड़बड़ है।

संदर्भ

क्रिकेट कवरेज का जो भी हिस्सा आज स्क्रैपर, क्लासिफ़ायर और स्कोरिंग मॉडल की चेन से गुज़रता है, उसकी नींव एक ही चीज़ पर टिकी होती है — 'सूचना बिंदु'। मेरे काम की भाषा में एक सूचना बिंदु चार चीज़ें ढोता है: claim (परमाणु, जाँचने लायक बयान), entities (खिलाड़ी, टीम, बोर्ड, टूर्नामेंट, वेन्यू, मैच ऑफ़िशियल), source_field (आउटलेट, बायलाइन, हवालेबाज़ पक्ष, या डेटासेट), और time_ref (पूरी तारीख़ या घटना का एंकर)।

2026 में दिल्ली में जब मैंने अपने स्कूल के इंटर-स्कूल कैंपेन के ग्यारह मैच फ़िल्माए थे, तो लॉगबुक में स्तंभ यही थे — गेंदबाज़ का टाइप, लाइन, फ़ील्ड प्लेसमेंट, और अम्पायर कॉल। 214 डिसमिसल्स की वह शीट सेमीफ़ाइनल से पहले फ़ील्ड बदलने के काम आई, क्योंकि हर पंक्ति में आधार था।

क्रिकेट कंटेंट की एक ख़ास बात यह भी है कि उसकी समय-संवेदनशीलता ऊँची होती है। सीरीज़ का संदर्भ, स्क्वाड की घोषणा, रैंकिंग, चोट की स्थिति, रिटेंशन और ऑक्शन पर्स — ये सब तारीख़ के साथ बदलते हैं। इसलिए time_ref का खाली रहना कॉस्मेटिक खामी नहीं, सामग्री की खामी है। Hollow sheet को आप 'कम जानकारी' नहीं कह सकते; आपको कहना पड़ेगा कि उसमें जानकारी है ही नहीं।

कोर इनसाइट

अब उस गड़बड़ के कारणों की सूची, और हर कारण की क़ीमत। मैं जानबूझकर रैंक कर रहा हूँ, क्योंकि बिना रैंक की गई जड़ें सिर्फ़ शोर होती हैं।

एक — इनपुट बॉडी ख़ुद खाली या लगभग खाली थी। सिर्फ़ मेटाडेटा और डोमेन टैग आगे भेजा गया। यानी पाइपलाइन को पढ़ने के लिए टेक्स्ट मिला ही नहीं।

दो — बॉयलरप्लेट-ओनली एक्सट्रैक्शन। स्क्रैपर ने नेविगेशन, कुकी नोटिस और फ़ुटर का टेक्स्ट पकड़ा, आर्टिकल बॉडी छोड़ दी। जावास्क्रिप्ट से रेंडर होने वाले पेजों और पेवॉल के पीछे छिपे पेजों पर यह आम है।

तीन — सेलेक्टर या स्कीमा मिसमैच। आर्टिकल का DOM उस ढाँचे से मेल नहीं खाया जिसकी एक्सट्रैक्टर को उम्मीद थी।

चार — क्लासिफिकेशन-बिफ़ोर-एक्सट्रैक्शन। टैग लग गया, और कंटेंट स्टेज कभी चला ही नहीं।

इस चार में से दो और चार सबसे संभावित हैं, और इसका सबूत ख़ुद शीट में है: cricket_world भरा हुआ है, बाक़ी सब null। यह उस पाइपलाइन का फ़िंगरप्रिंट है जो पहले टैग करती है और बाद में — या बिल्कुल नहीं — एक्सट्रैक्ट करती है। टैग पहले आता है क्योंकि टैग सस्ता है; बॉडी बाद में आती है क्योंकि बॉडी महँगी है।

अब क़ीमत। एक्सट्रैक्शन के बाद की हर चीज़ इस शीट पर निर्भर है।

एंटिटी रिज़ॉल्यूशन बेकार हो जाता है। किस खिलाड़ी की बात है, किस बोर्ड की, किस टूर्नामेंट की, किस वेन्यू की — चारों सवाल बिना जवाब रह जाते हैं। यह वैसा ही है जैसे DRS में बॉल-ट्रैकिंग ही फ़ेल हो जाए और आप फिर भी 'आउट' लिख दें।

स्टांस डिटेक्शन अनाथ हो जाता है। लेखक का रुख़ तय नहीं हो सकता, क्योंकि तय करने के लिए वाक्य चाहिए। मेरे बूथ की तरह — आप निष्कर्ष नहीं लिख सकते जब तक आपने फ़्रेम न देखा हो। A verdict without a frame is a guess wearing a uniform.

सोर्स-क्वालिटी स्कोरिंग का आधार ही गिर जाता है। अगर किसी सूचना बिंदु के पास source_field नहीं, तो आप आउटलेट, बायलाइन और हवाले की विश्वसनीयता नहीं तौल सकते। क्रिकेट डेटा में यह सबसे महँगी खामी है, क्योंकि क्रिकेट की ख़बरों का बड़ा हिस्सा 'किसने कहा' पर टिका होता है — सेलेक्शन कॉल, चोट की अपडेट, रिटेंशन की अफ़वाहें।

और टाइम-सेंसिटिविटी। क्रिकेट कंटेंट आम तौर पर उच्च समय-संवेदनशील होता है। तारीख़ के बिना स्क्वाड की ख़बर और रैंकिंग की ख़बर दोनों बेकार हैं। यह अंतराल छोटा नहीं, ढाँचे का है।

लेकिन सबसे महँगी क़ीमत वह है जो शीट पर दिखती नहीं। null खाली नहीं रहता। डाउनस्ट्रीम में कोई न कोई मॉडल, कोई न कोई एडिटर, कोई न कोई फ़ीड उस खाली जगह को अनुमान से भर देता है। और फिर वही अनुमान, दो हॉप बाद, 'रिपोर्ट' बनकर आपके सामने आता है। The 40-second rule taught me that delay is a kind of evidence — और यहाँ देरी नहीं, अनुपस्थिति सबूत बन रही थी।

इसीलिए मैं इसे क्रिकेट में NRR की गड़बड़ गिनती जैसा देखता हूँ। टूर्नामेंट टेबल में एक मैच का NRR ग़लत भरा जाए, तो वह चार मैच बाद किसी टीम का पूरा सफ़र बदल देता है। एक खाली सेल भी वैसी ही है। वह चुपचाप आगे बढ़ती है, और किसी एक दिन किसी फ़ैसले की शक्ल ले लेती है।

क्रिकेट डेटा का वह हिस्सा जिस पर बात नहीं होती

क्रिकेट में लाइव फ़ीड का बाज़ार तेज़ है। जहाँ शीट खाली लौटती है, वहाँ सबसे तेज़ भरने वाली फ़ीड जीत जाती है — और सबसे तेज़ फ़ीड अक्सर वही होती है जिसका धंधा बाज़ार से जुड़ा है। जिस पाइपलाइन में सोर्स फ़ील्ड ही नहीं होता, वह भला किस फ़ील्ड पर जवाबदेह ठहरेगी? यह मेरी शिकायत किसी एक आउटलेट से नहीं, ढाँचे से है। जब स्रोत दर्ज नहीं होते, तब सटीकता की कोई क़ीमत तय नहीं होती, और जहाँ क़ीमत तय नहीं होती वहाँ मार्जिन अफ़वाह का हो जाता है।

इसी तरह चोट और उपलब्धता की ख़बरें। खेल संस्थाएँ वही बताती हैं जो उनके हित में होता है — कभी स्टॉक, कभी सेलेक्शन, कभी टिकट। किसी पाइपलाइन पर भरोसा करना कि वह वही दिखाएगी जो वाक़ई है, उसी भ्रम की दूसरी किस्त है। सिस्टम वही प्रकट करता है जो उसके फ़ीड को सूट करता है। एक खाली शीट में भी यही होता है — वह आपको बताती है कि डोमेन क्रिकेट है, और चुप हो जाती है।

कॉन्ट्रैरियन एंगल

अब वह बात जो इस पूरे मामले में उलटी है। हम स्क्रैपर को कोसेंगे, सेलेक्टर को कोसेंगे, जावास्क्रिप्ट को कोसेंगे। लेकिन असली दोष स्कीमा में है — उसमें कहीं भी यह फ़ील्ड नहीं था कि 'कितना निकला'। extraction_yield पूछा ही नहीं गया, इसलिए शून्य को शून्य की तरह गिना ही नहीं गया। जो चीज़ नापी नहीं जाती, वह अच्छी मान ली जाती है।

दूसरी उलटी बात: एक खाली शीट और एक 'भरी हुई पर बनावटी' शीट में फ़र्क़ है, और ख़तरनाक दूसरी है। खाली शीट चिल्लाती है, अपनी खालीपन के साथ। बनावटी शीट मुस्कुराती है, साफ़ वाक्यों में, और आपके सिस्टम में वैसे ही बैठ जाती है जैसे अम्पायर कॉल आउट। I trust the angle that survives the second replay, not the one that flatters. यहाँ सबसे साफ़-सुथरा फ़्रेम वही था जो झूठा था।

तीसरी बात, और यह सबसे काम की है: शून्य का मतलब शून्य नहीं होता, शून्य एक संकेत होता है। सूचना बिंदुओं की गिनती शून्य लौटना बताता है कि पाइपलाइन का किसी एक पड़ाव पर दरवाज़ा बंद रह गया। इसे दबाना नहीं, इसे उठाना चाहिए। क्रिकेट में जब अम्पायर का सिग्नल अनिश्चित हो, तो रिव्यू लिया जाता है। डेटा पाइपलाइन में जब शीट खाली हो, तो री-रन लिया जाना चाहिए।

टेकअवे

अब क़ीमत और व्यवहार्यता के हिसाब से क्रम। सबसे सस्ता और सबसे तुरंत — बॉडी-टेक्स्ट फ़ॉलबैक। readability एक्सट्रैक्टर और पेज की JSON-LD articleBody दोनों से बॉडी निकालना, और दोनों फ़ेल हों तो साफ़ नोट लिखना। दूसरा — explicit extraction_yield फ़्लैग, ताकि खाली पास कभी चुपचाप आगे न जाए। तीसरा — न्यूनतम स्कीमा का अनिवार्य होना: कम से कम तीन सूचना बिंदु, और हर बिंदु पर claim, entities, source_field, time_ref। जो अनसुलझा रह जाता है वह है पुराने आर्काइव और पेवॉल के पीछे बंद पेज — वहाँ किसी भी फ़ॉलबैक की उम्र सीमित है, और यह सीमा लिखकर रखनी चाहिए।

Fifteen seconds is not a deadline; it is a shape for deciding. हर रिव्यू में तीन सवाल होते हैं — क्या दिख रहा है, फ़ील्ड पर क्या कहा गया था, और ग़लत निकलने पर क़ीमत क्या है। Delhi taught me the appeal; the booth taught me the burden of proof. डेटा पाइपलाइन को भी वही तीन सवाल पूछने होंगे। जिस दिन पाइपलाइन यह पूछने लगेगी, उस दिन cricket_world जैसा एक टैग ग्यारह खाली खानों को जायज़ नहीं ठहरा पाएगा।