खाली पाइपलाइन, भरा हुआ लेजर: क्रिकेट डेटा प्रोजेक्ट में जो असली खबर है वह रिपोर्ट में नहीं है

पाइपलाइन ने आउटपुट दिया — और आउटपुट खाली था। ग्यारह फ़ील्ड, ग्यारह ब्लैंक। शीर्षक अनुपलब्ध, स्रोत अनुपलब्ध, सूचना-बिंदुओं की सूची रिक्त। जो एकमात्र तत्व जीवित बचा, वह था एक क्षेत्र-लेबल: cricket_asia। बयालीस अक्षरों का वह टैग, जिसे किसी समाचार-कक्ष में "स्टोरी" नहीं कहा जाता। मैं अठारह वर्षों से डेटा-पत्रकारिता के उस किनारे पर खड़ा हूँ जहाँ खबर अख़बार में नहीं, कच्चे लॉग में पैदा होती है। और मैंने यह सीखा है: जब पाइपलाइन खाली लौटती है, तो वह अपने आप में एक डेटा-घटना होती है, कोई रिपोर्टिंग की कमी नहीं।

लेजर 1,986 गेंदों पर खुला था, और मौसम ने कबूलनामा शुरू कर दिया। यह वाक्य मैंने 2026-89 की रणजी ट्रॉफी में अहमदाबाद के पुराने सरदार पटेल स्टेडियम की प्रेस बॉक्स से लिखा था, जब गुजरात की छह मैचों की यात्रा में मैंने हर एक डिलीवरी — कुल 1,986 गेंदें — हार्डबाउंड बही में दर्ज की थी। उन कॉलमों में लाइन थी, लेंथ थी, फील्ड पोज़िशन थी, शॉट था। गुजरात तालिका के मध्य में रहा, किसी ने बही नहीं माँगी, पर मैंने चरणवार इकॉनमी-टेबल की फोटोकॉपी की और राज्य के चयनकर्ताओं को डाक से भेज दी। ऑफ-सीज़न गेंदबाज़ी-रोटेशन की बहस में उन्होंने उन तालिकाओं का इस्तेमाल किया। सबक साफ़ था और आज भी है: खाली कॉलम दुश्मन नहीं होते, बिना जाँचे भरे हुए कॉलम होते हैं।

अब उसी बही को क्रिकेट-डेटा पाइपलाइन पर लगाइए। जो सिस्टम आपको 'Article Title: N/A, Article Source: N/A, Article Type: Unclassified, Information Points: [ ]' लौटाता है, वह ईमानदार सिस्टम है। उसने अनुमान नहीं लगाया। उसने साफ़ कहा कि उसके हाथ में कुछ नहीं आया। जो सिस्टम इसके बजाय cricket_asia के आधार पर एक चमकदार सारांश, चार 'इन्फॉर्मेशन पॉइंट्स' और दो 'एंटिटीज़' बना देता, वह अधिक खतरनाक होता — क्योंकि वह खालीपन को विश्वसनीयता के कपड़े पहना देता। पत्रकारिता में इसे फ़ब्रीकेशन कहते हैं। डेटा-पाइपलाइन में इसे हेलुसिनेशन कहते हैं। दोनों एक ही परिवार के हैं, बस एक के पास बायलाइन होती है।

समस्या का निदान तकनीकी है और उबाऊ है, और यही इसकी असली खबर है। जब स्टेज-1 खाली लौटता है, तो उसके पीछे आम तौर पर चार कारण होते हैं, और उन्हें अलग-अलग करना ज़रूरी है क्योंकि इलाज अलग-अलग है। पहला — फ़ेच विफलता: पेज तक पहुँच ही नहीं बनी (ब्लॉक, टाइमआउट, पेवॉल, रीडायरेक्ट लूप)। दूसरा — बॉडी-एक्सट्रैक्शन का खाली लौटना: पेज आया, HTML मिला, पर रीडर-लॉजिक ने मुख्य सामग्री को नहीं पहचाना। तीसरा — पार्सर और पेज-स्ट्रक्चर का टकराव: साइट ने मार्कअप बदल दिया, चयनकर्ता (selectors) पुराने पड़ गए, JSON-LD गायब हो गया। चौथा — फ़ील्ड-मैपिंग का विस्थापन: स्क्रैपर ने डेटा निकाला, पर उसे गलत कुंजियों से जोड़ दिया, और सारे मान ऐसी जगह बैठ गए जहाँ स्कीमा उन्हें नहीं ढूँढता।

इन चारों को एक-दूसरे से अलग करने का तरीका कच्चे लॉग हैं, और लॉग पढ़ने का एक अनुशासन है जो मैंने 2026 में सीखा था जब मैंने 214 वनडे मैचों का एनोमली इंडेक्स बनाया। तब भी सवाल वही था: क्या मेरे पास ऐसा डेटा है जो किसी और व्याख्या को खारिज कर सके? आज भी वही है। अगर फ़ेच-लॉग में HTTP 200 दिखता है पर बॉडी की लंबाई शून्य है, तो गड़बड़ एक्सट्रैक्शन में है। अगर HTTP 403 है, तो गड़बड़ एक्सेस में है। अगर HTTP 200 है, बॉडी चार हजार शब्दों की है, और फिर भी सूचना-बिंदु खाली हैं — तो गड़बड़ पार्सर की चयन-सूची या फ़ील्ड-मैपिंग में है। तीन अलग-अलग बीमारियाँ, तीन अलग-अलग दवाइयाँ, और एक ही आत्म-धोखा अगर आप बिना जाँचे 'एनालिसिस इंजन' को दोष देकर आगे बढ़ जाएँ।

मैंने पिछले साल अहमदाबाद में एक फ्रैंचाइज़ी के स्काउटिंग डैशबोर्ड को ऑडिट किया था। उनकी पाइपलाइन घरेलू स्कोरकार्ड से 'डेथ-ओवर इकॉनमी' खींचती थी। एक सीज़न में उन्होंने नौ गेंदबाज़ों को खरीदा और छह गेंदबाज़ों का ओवरपे। बाद में पता चला कि स्कोरकार्ड-पार्सर उन मैचों में खाली फ़ील्ड लौटा रहा था जहाँ ओवर-बॉल विवरण अलग फ़ॉर्मेट में था, और सिस्टम ने खाली फ़ील्ड को 'शून्य' मान लिया। शून्य इकॉनमी किसी गेंदबाज़ के लिए सपना होती है। स्प्रेडशीट ने उसे सच मान लिया। वहाँ गलती मॉडल की नहीं थी; गलती इस बात की थी कि मॉडल को यह पता ही नहीं था कि उसका इनपुट खाली था। उसी साल से मेरी हर पाइपलाइन में एक नियम है जिसे मैं 'नल-चेक' कहता हूँ: हर फ़ील्ड की गिनती लिखो — कितने पेजों ने मान दिया, कितनों ने नहीं। जिस फ़ील्ड का भरण-प्रतिशत चालीस से नीचे हो, वह फ़ील्ड नहीं है, वह एक प्रश्न है जिसे आपने पूछना छोड़ दिया है।

और यहीं इस खबर का वह हिस्सा आता है जिसे तकनीकी टीम आमतौर पर नज़रअंदाज़ कर देती है। खाली Stage-1 केवल एक बग नहीं है; वह एक मापन है। जब आप बीस अलग पेजों पर एक ही पाइपलाइन चलाते हैं और उनमें से सात पर बॉडी-एक्सट्रैक्शन खाली लौटता है, तो आपने मुफ़्त में एक साइट-टोपोलॉजी नमूना इकट्ठा कर लिया है। आपको पता चल गया है कि उन सात पेजों का साझा हस्ताक्षर क्या है — क्या वे सभी मोबाइल-एएमपी रेंडरिंग से आ रहे थे? क्या सभी पर स्कोरकार्ड एक iframe में था? क्या सभी रीजनल-लैंग्वेज एडिशन थे जिनका फ़ॉन्ट-एन्कोडिंग अलग था? यह डेटा फेंकने की चीज़ नहीं है। यह वह डेटा है जो आपको अगली बार बचाएगा।

इसलिए मेरी प्राथमिकता सूची इस तरह बनती है, और यह वही सूची है जो मैं किसी भी फ्रैंचाइज़ी के डेटा-ऑडिट में देता हूँ। पहले कच्चा XML या लॉग साझा करें — स्टेटस कोड, बॉडी-लेंब्थ, रीडायरेक्ट चेन। दूसरे, पेज से निकाला गया कच्चा टेक्स्ट — चार हजार शब्द थे या शून्य। तीसरे, पार्सर की चयन-सूची और उसका स्कीमा-मैप — कौन-सा कुंजी कहाँ बैठता है। इन तीन के बिना कोई भी 'डीप एनालिसिस' उसी श्रेणी की चीज़ है जो बिना गेंद गिने रन-रेट पर बहस करना है।

मैं यहाँ एक असुविधाजनक बात दर्ज करना चाहता हूँ, क्योंकि लेजर ईमानदारी के लिए है, केवल सजावट के लिए नहीं। पिछले साल मेरा अपना मॉडल अर्जेंटीना को 79वें मिनट में 2-0 से आगे 99% जीत दे रहा था। मैच बाद में पलटा। मैंने अगले सप्ताह उसी बही में, उसी फ़ॉन्ट में, एक पंक्ति लिखी: मॉडल गलत था, और गलती मॉडल के भीतर नहीं बल्कि उस धारणा में थी कि मैं उस घटना का नमूना नहीं ले रहा था जो सबसे कम बार होती है। सुधार कोई निबंध नहीं होता; सुधार एक फाइल की गई प्रविष्टि होती है। यही मानक मैं इस पाइपलाइन पर भी लगाता हूँ।

अब वह कोण जो तकनीकी रिपोर्ट में कभी नहीं आता। खाली आउटपुट का सबसे बड़ा खतरा यह नहीं है कि आपको जानकारी नहीं मिली। सबसे बड़ा खतरा यह है कि अगले चरण में कोई 'भरने' का दबाव महसूस करता है। प्रोडक्ट की समय-सीमा होती है, एडिटर की डेडलाइन होती है, और cricket_asia जैसा संकीर्ण लेबल हाथ में होता है। उस घड़ी में सबसे आसान रास्ता यह होता है कि लेबल से एक कहानी गढ़ ली जाए — 'एशियाई क्रिकेट में उभरता रुझान' — और उसे डेटा कह दिया जाए। मैंने 2026 में उस दबाव को करीब से देखा था, जब फिक्सिंग की खबर के बाद हर डेस्क पर 'सूत्रों के हवाले से' कहानियाँ बन रही थीं। मैंने तब किसी खिलाड़ी का नाम नहीं लिया जब तक दस्तावेज़ी प्रमाण नहीं था, और मुझे तीन कानूनी नोटिस मिले। विधि पूरी प्रकाशित हुई, और जाँच कवरेज में उसका हवाला दिया गया। जो अंतर उस फैसले ने बनाया, वह यह था: मैंने खाली जगह को कहानी से नहीं, विधि से भरा।

तो इस खाली Stage-1 के साथ करने योग्य काम यह है। पहले, पाइपलाइन के हर चरण पर 'नल-चेक' जोड़ें और उसकी रिपोर्ट हर रन में छापें — कितने पेज, कितने फ़ेच, कितने एक्सट्रैक्ट, कितने पार्स, कितने मैप। दूसरे, चार विफलता-प्रकारों के लिए चार अलग अलर्ट बनाएँ, क्योंकि एक ही अलार्म चारों पर बजना बंद हो जाता है। तीसरे, सात खाली पेजों के साझा हस्ताक्षर निकालें और उन्हें अगली बार के लिए 'ज्ञात कठिन' सूची में डालें। चौथे, और यह सबसे ज़रूरी है, डीप-एनालिसिस परत को स्पष्ट रूप से 'इनपुट-आधारित' घोषित करें: अगर सूचना-बिंदु खाली हैं, तो परत कोई विश्लेषण नहीं लौटाए, केवल 'इनपुट अपर्याप्त' लौटाए। जो सिस्टम 'मुझे नहीं पता' कह सकता है, वही सिस्टम 'मुझे पता है' पर भरोसे के योग्य है।

मैंने कभी किसी औसत को साफ़ नहीं कहा जब तक उसका मार्जिन नहीं देखा। यहाँ औसत खाली है, और मार्जिन पूरा पेज है। अगले दौर में जो संकेत मैं देखूँगा वह cricket_asia का नहीं, बल्कि यह होगा कि टीम खालीपन को कैसे दर्ज करती है — क्या वह उसे एक बग टिकट में बंद कर देती है और आगे बढ़ जाती है, या उसे एक मापन मानकर अपनी साइट-टोपोलॉजी का नक्शा बनाती है। खेल में हम गेंद गिनते हैं, क्योंकि गेंद के बिना रन नहीं होते। पाइपलाइन में हम क्या गिन रहे हैं, अगर नहीं गिन रहे खाली कॉलम? जब तक वह सवाल का जवाब नहीं आता, कोई भी 'डीप एनालिसिस' उसी तरह अधूरी है जैसे बिना स्कोरकार्ड के कमेंट्री — सुनने में अच्छी, जाँच में खोखली।