खाली आउटपुट: जब एशियाई क्रिकेट का डेटा पाइपलाइन अपने ही अंतरालों की व्याख्या नहीं कर पाया

ग्यारह फरवरी की दोपहर, तीन बजकर सत्ताईस मिनट पर स्क्रीन पर एक आउटपुट आया जिसमें पाँच पंक्तियाँ थीं। पहली पंक्ति में लिखा था — Domain Label: cricket_asia। अगली चार पंक्तियाँ खाली थीं, लेकिन खाली भी एक तरह से नहीं थीं। Article Title में N/A पड़ा था। Source में N/A। Core Viewpoints के आगे एक रिक्त सूची का कोष्ठक था जिसमें कुछ नहीं था। Information Points के आगे वही। और सबसे नीचे तीन पंक्तियाँ — Entities Involved, Time Reference, Source Quality — जिनमें हर एक के आगे एक ही निर्देश दोहराया गया था: "ऊपर दिए गए सूचना बिंदुओं से व्युत्पन्न करें।"

मैंने उस स्क्रीन को देखते हुए दो बातें सोचीं, और दूसरी बात पहली से ज़्यादा देर टिकी। पहली: यह मेरे देखे हुए सबसे अनोखे पाइपलाइन फेल्योर में से है, क्योंकि इसने गलती नहीं की — इसने एक निर्देश छोड़ दिया जिसे पूरा करने के लिए उसे ही सामग्री चाहिए थी। दूसरी: मैं इस खालीपन को पहचानता हूँ। यह वही खालीपन है जो मुझे साल 2026 की सर्दियों में चेन्नई की एक बायोमैकेनिक्स लैब में मिला था, जब TNPL का आधिकारिक फ़ीड मुझे बता रहा था कि स्कोर सही है और मैं गिनती करके देख रहा था कि ओवर गायब हैं।

किसी सांख्यिकी को व्यक्ति बनाकर शुरुआत करना मेरी आदत नहीं है, इसलिए सीधे काम की बात: Stage-1 का क्लासिफ़ायर चला, एक्सट्रैक्टर नहीं चला। और इस अंतर ने वह सब कुछ रोक दिया जो उसके बाद आना था।

जो हुआ, वह विश्लेषण की विफलता नहीं थी — वह सामग्री की विफलता थी

पाइपलाइन की बनावट सीधी है। Stage-1 दो काम करता है: पहले पेज को किसी डोमेन में लेबल करता है, फिर उस पेज के भीतर से ठोस तत्व निकालता है — शीर्षक, स्रोत, प्रकाशन तिथि, मुख्य दृष्टिकोण, और सूचना बिंदुओं की एक सूची जिसमें नाम, संख्या, तिथि और वाक्य-स्तर का दावा होता है। Stage-2 उन सूचना बिंदुओं पर बैठकर विश्लेषण लिखता है। पूरा ढाँचा एक ही अनुबंध पर खड़ा है — Stage-1 हमेशा कुछ न कुछ देगा।

ग्यारह फरवरी को उस अनुबंध का उल्लंघन हुआ। लेबल आया, सामग्री नहीं आई। और Stage-2 का टेम्पलेट यह मानकर लिखा गया है कि सामग्री आ चुकी है, इसीलिए उसने व्युत्पत्ति का निर्देश दिया — ऐसी वस्तु से, जो मौजूद नहीं थी। यह टेम्पलेट की गलती नहीं है। टेम्पलेट वही लिखता है जो उसे सौंपा गया। गलती उस जगह है जहाँ खाली सूची को सफल परिणाम मानकर आगे भेज दिया गया।

मुझे इस पैटर्न से परिचय नया नहीं है। यह उसी किस्म की चूक है जो डेटा-संग्रह में सबसे महँगी पड़ती है: अनुपस्थिति को शून्य मान लेना। स्कोरकार्ड में जब एक ओवर नहीं मिलता, तो दो रास्ते होते हैं। या तो आप दर्ज करते हैं कि वह ओवर नहीं मिला, या आप उसे छोड़कर आगे बढ़ जाते हैं और आगे की हर गणना में वह अंतराल चुपचाप बैठ जाता है। दूसरा रास्ता तेज़ है। दूसरा रास्ता ही पूरे उद्योग की आदत है।

cricket_asia जैसा लेबल इस संदर्भ में एक बहुत विशिष्ट हस्ताक्षर छोड़ता है। क्लासिफ़ायर को पेज के केवल शीर्ष हिस्से, URL पैटर्न, या मेटा टैग्स की ज़रूरत होती है — वह काम कर जाता है भले ही पूरा पेज स्क्रिप्ट से बना हो। एक्सट्रैक्टर को मुख्य बॉडी चाहिए, और जहाँ बॉडी नहीं है वहाँ वह खाली लौटता है। इसका मतलब साफ़ है: लेबल का आना यह नहीं बताता कि सामग्री मिली; वह सिर्फ़ यह बताता है कि पेज उस विषय का लगा। इन दोनों के बीच की खाई में इस बार पूरा विश्लेषण गिर गया।

एशियाई क्रिकेट का सार्वजनिक रिकॉर्ड पहले से ही पतला है

यहाँ रुककर एक ज़रूरी संदर्भ रखना है, क्योंकि यह घटना किसी भी डोमेन में हो सकती थी और यह cricket_asia में हुई।

एशिया में क्रिकेट कवरेज की तीन परतें हैं। सबसे ऊपर बड़े प्रसारक और एजेंसियाँ हैं, जिनके पास बॉल-बाय-बॉल फ़ीड है और जो उसे बेचते हैं। बीच में वे राष्ट्रीय बोर्ड और घरेलू टूर्नामेंट हैं जिनके आँकड़े कहीं दर्ज होते हैं, कहीं नहीं। और सबसे नीचे वह विशाल हिस्सा है जहाँ घरेलू टी20 लीग, क्षेत्रीय टूर्नामेंट, महिला प्रतियोगिताएँ और एसोसिएट देशों का क्रिकेट बैठता है — जहाँ का रिकॉर्ड टुकड़ों में है, अलग-अलग भाषाओं में है, और अक्सर केवल उसी देश के अख़बार की एक खबर में है जिसे कोई स्क्रैप नहीं करता।

जब कोई पाइपलाइन कहती है कि उसने cricket_asia को लेबल कर दिया है, तो वह असल में इस तीन-परत ढाँचे के किसी अनजाने हिस्से पर खड़ी होती है। और एशिया में सबसे ज़्यादा रिपोर्ट होने वाला क्रिकेट वह नहीं है जो सबसे ज़्यादा खेला जाता है; जो सबसे ज़्यादा रिपोर्ट होता है वह वह है जिसका प्रसारण अधिकार सबसे महँगा बिकता है। यह अंतर सिर्फ़ कवरेज का अंतर नहीं है, यह डेटा की उपलब्धता का अंतर है।

इसलिए जब एक्सट्रैक्शन खाली लौटता है, तो सबसे पहला सवाल यह नहीं होना चाहिए कि स्क्रिप्ट में क्या गड़बड़ी है। पहला सवाल यह होना चाहिए कि जिस स्रोत पर वह चल रहा था, वह स्रोत किस परत का था।

विफलता का क्रम, और हर कड़ी का क्रिकेट में क्या मतलब है

अनुभव से कहता हूँ कि एक्सट्रैक्टर के खाली लौटने की वजहें संभावना के क्रम में पाँच हैं। हर एक का एशियाई क्रिकेट कवरेज में अलग स्वाद है, और यह जानना ज़रूरी है क्योंकि इलाज पूरी तरह बदल जाता है।

पहली और सबसे आम वजह है पहुँच से रोका जाना — 403, पे-वॉल, या भूगोल के आधार पर अवरोध। एशियाई क्रिकेट कवरेज में यह सबसे तीखा मामला है, क्योंकि इस क्षेत्र के कई बड़े आउटलेट अपनी सामग्री को सदस्यता के पीछे रखते हैं और कई सरकारी या बोर्ड-संबद्ध साइटें बाहरी अनुरोधों को सीधे अस्वीकार करती हैं। ऐसे में स्क्रैपर को जो मिलता है वह लेख नहीं, बल्कि एक त्रुटि पृष्ठ होता है — और त्रुटि पृष्ठ पर भी क्लासिफ़ायर कभी-कभी URL के आधार पर सही लेबल लगा देता है। यही सबसे धोखेबाज़ संयोजन है।

दूसरी वजह है जावास्क्रिप्ट से बना पेज। स्टैटिक HTML में मुख्य बॉडी का कोई नोड ही नहीं होता; सामग्री ब्राउज़र में बाद में बनती है। जो क्रॉलर सिर्फ़ HTML पढ़ता है, उसे एक खोल मिलता है — शीर्षक, साझा बटन, विज्ञापन स्लॉट, और नीचे टिप्पणी अनुभाग। लेख नहीं।

तीसरी वजह है सिलेक्टर या टेम्पलेट का बेमेल होना। साइट अपना DOM बदल देती है और एक्सट्रैक्टर चुपचाप खाली लौटने लगता है। यह सबसे कपटी है क्योंकि कोई त्रुटि नहीं उठती — पाइपलाइन को लगता है कि सब ठीक चला, बस उस दिन लेख में कोई तथ्य नहीं था।

चौथी वजह इनपुट का गलत होना है। कभी-कभी जो पेज भेजा गया वह लेख ही नहीं था — कोई सूची पृष्ठ, कोई इंडेक्स, या किसी RSS का दो-पंक्ति सारांश। सारांश में शीर्षक और लिंक होते हैं, सूचना बिंदु नहीं। एक्सट्रैक्टर ठीक काम कर रहा है; उसे जो दिया गया वह सामग्री नहीं थी।

पाँचवीं, और मेरे हिसाब से सबसे महत्वपूर्ण, वजह है खाली सूची का सफल परिणाम मान लिया जाना। ऊपर की चारों वजहें तकनीकी हैं। पाँचवीं प्रक्रियात्मक है। इसमें स्क्रैपर ठीक है, एक्सट्रैक्टर ठीक है, और फिर भी शून्य आगे बढ़ जाता है क्योंकि किसी ने यह नहीं लिखा कि शून्य आगे नहीं बढ़ेगा।

मैं दावा करता हूँ कि इन पाँच में से चार की जाँच एक ही आँकड़े से हो जाती है: कच्चे HTML का आकार और स्थिति कोड। अगर HTML का आकार कुछ किलोबाइट है और कोड 403 है, तो समस्या पहुँच की है। अगर आकार बड़ा है और बॉडी में केवल स्क्रिप्ट टैग हैं, तो समस्या रेंडरिंग की है। अगर आकार बड़ा है, बॉडी में पाठ है, और फिर भी सूचना बिंदु शून्य हैं, तो समस्या सिलेक्टर की है। यह पहला कदम होना चाहिए था, और यह पहला कदम नहीं उठाया गया — यही असली खबर है।

मैंने TNPL हाथ से चार्ट किया क्योंकि मॉडल अपने ही अंतरालों की व्याख्या नहीं कर सकता था

अब उस हिस्से पर आता हूँ जहाँ मेरा अपना काम इस घटना से टकराता है।

2026 में, चेन्नई की एक बायोमैकेनिक्स लैब में जूनियर शोध पद पर बैठे छह महीने हो चुके थे, जब मैंने ग्यारह हफ़्ते निकाले और तमिलनाडु प्रीमियर लीग के बत्तीसों मैचों को प्रसारण फ़ीड से हाथ से कोड किया — 4,112 गेंदें, हर एक पर रिलीज़ ऊँचाई, चक्कर, और पिच ज़ोन का टैग। डेटाबेस बनने के बाद उसने मुझे दो बातें बताईं जो किसी ने नहीं छापी थीं। चेपॉक का पहली पारी का पार 148 था, न कि वह 165 जिसका पीछा टीमें करती रहती थीं। और ओवर 7 से 15 के बीच गिरे 58 प्रतिशत विकेट उस गेंद पर गिरे जो पाँचवीं स्टंप लाइन पर थी। चेपॉक सुपर गिलीज़ ने खिताब जीता; वह संख्या किसी ने नहीं छापी जो बताती थी कि क्यों। मैंने छापी, 900 शब्दों में, एक ऐसी साइट के लिए जिसने ₹1,500 दिए।

उस सर्दी के बाद मैंने पिचों को "स्पिन-अनुकूल" कहना बंद कर दिया और उन्हें निर्देशांक कहना शुरू किया। मेरा हर टुकड़ा उसके बाद किसी मापनीय दावे से खुलता था — कोई पार स्कोर, कोई लाइन, कोई रिलीज़ कोण — और कहानी उसके बाद आती थी। उस सर्दी में बना टेम्पलेट (पहले कोड, फिर सत्यापन, फिर लेखन) आज तक वही है, और वही वजह है कि मेरी डेडलाइन सालों तक फिसलती रही।

लेकिन उस टेम्पलेट में एक बीमारी थी जिसे मैंने बहुत बाद में नाम दिया। मैं उस फ़ीड पर भरोसा कर रहा था जिसका अंतराल मैं खुद भर रहा था। मैं अपने हाथ के काम को मॉडल का सुधार मान रहा था, जबकि वह असल में मॉडल की सीमा की रिपोर्ट था। बत्तीसवें मैच तक स्पिन-एंगल नक्शा मुझसे सहमत होना बंद कर चुका था, और मुझे यह स्वीकार करने में एक और महीना लगा कि जो टूटा था वह मैच नहीं, नक्शा था।

ग्यारह फरवरी की खाली सूची वही बीमारी है, दूसरे शरीर में। वहाँ एक्सट्रैक्टर ने हमें बताया कि उसे सामग्री नहीं मिली। यह ईमानदार रिपोर्ट है। गड़बड़ यह है कि उसके बाद का पूरा ढाँचा उस ईमानदारी को पढ़ना नहीं जानता।

सीम डेटाबेस पूरा लग रहा था, जब तक छूटे हुए ओवर दोहराने नहीं लगे

उसी बीमारी का दूसरा उदाहरण बड़ा है और उसने मेरा काम बदल दिया।

एक अगस्त से ग्यारह सितंबर 2026 के बीच मैंने इंग्लैंड में भारत की पाँच टेस्ट मैचों की हर गेंद दर्ज की — 6,354 गेंदें — सीम पोज़िशन, लेंथ बैंड और ड्यूक्स गेंद पर पार्श्व गति के साथ। बहीखाते ने दिखाया कि ओवर 25 से 40 के बीच भारत के सीमर 3.6 प्रति ओवर पर जा रहे थे, जबकि जेम्स एंडरसन ने 24 विकेट 14.5 की औसत से लिए और सैम करन, जो सीरीज़ का खिलाड़ी चुना गया, चालीस-चालीस मिनट के दौर में मैच जीत रहा था।

उसी खिड़की में मैंने एक समानांतर शीट रूस विश्व कप के लिए बनाई, जहाँ फ़्रांस ने क्रोएशिया को 4-2 से हराया और उसके पास गेंद का 39 प्रतिशत ही था। एक ही सवाल, दो खेल: गेंद या बॉल के बिना जगह को कौन नियंत्रित करता है?

यहाँ मुझे अपने क्रॉस-डोमेन उधार पर साफ़ रहना है, क्योंकि यह मेरी आदत है और यह मेरी सबसे बड़ी चूक भी है। फ़ुटबॉल का लो-ब्लॉक ढाँचा एशियाई क्रिकेट के मध्य ओवरों पर लगाना लुभावना है: गेंदबाज़ गहरा खड़ा हो, बल्लेबाज़ को अपनी पहुँच के बाहर खींचे, और रन की दर को उसी तरह दबाए जैसे फ़्रांस ने क्रोएशिया की गति को दबाया था। लेकिन मैपिंग टूटने लगती है जहाँ क्रिकेट की बनावट अलग हो जाती है। फ़ुटबॉल में आकार जमा होता है — नब्बे मिनट में ढाँचा मोटा होता जाता है और अंत में नतीजा देता है। क्रिकेट में हर गेंद के बाद रीसेट होता है, और ओवर के बाद वह रीसेट ज़बरदस्ती का होता है क्योंकि सिरा बदलता है। फ़्रांस का लो-ब्लॉक नब्बे मिनट चल सकता था; क्रिकेट का लो-ब्लॉक छह गेंदों का होता है, और उसके बाद दूसरे छोर से सब कुछ फिर से बनाना पड़ता है।

इसलिए जब 2026 की शीट ने ओवर 25 से 40 के बीच का अंतर दिखाया, तो वह अंतर फ़ुटबॉल की तरह जमा नहीं हुआ था। वह हर ओवर में फिर से बन रहा था, और हर बार उसी वजह से बन रहा था: भारत का पहला स्पेल ख़त्म हो जाता था और दूसरा स्पेल शुरू होने से पहले कोई योजना नहीं होती थी। जो अंतराल मैं देख रहा था वह तेज़ी का नहीं था, वह ढाँचे का था।

और तब मुझे वह बात समझ आई जो मैं आज इस खाली आउटपुट पर लगा रहा हूँ: जब किसी डेटासेट में अंतराल बार-बार उसी जगह आने लगे, तो वह अंतराल संयोग नहीं होता, वह डिज़ाइन होता है। सीम डेटाबेस पूरा लग रहा था, जब तक कि छूटे हुए ओवर दोहराने नहीं लगे। और जिस दिन वे दोहराने लगे, उस दिन सवाल बदल गया — "कहाँ डेटा नहीं है" से "किसने तय किया कि वह डेटा दर्ज नहीं होगा।"

रूस मोड़ नहीं था; वह वह नियंत्रण चर था जिसका मैंने नाम नहीं रखा था

उस गर्मी में मैंने दो हिस्सों में लिखना शुरू किया — पहले बहीखाता, फिर कहानी। इससे मेरी कॉपी धीमी बनती गई और काटना मुश्किल होता गया, और इसी ने संपादकों का भरोसा बनाया। लेकिन इसका एक और असर हुआ जिसे मैं श्रेय नहीं देना चाहता: मैंने दो खेलों के बीच के मॉडल उधार लेने शुरू कर दिए, और उधार लेते समय यह नहीं लिखा कि उधार लिया गया ढाँचा कहाँ काम नहीं करेगा।

रूस मोड़ नहीं था; वह वह नियंत्रण चर था जिसका मैंने नाम नहीं रखा था। जब मैं क्रिकेट में रक्षात्मक फ़ील्ड की बात करता था, तो मेरे दिमाग़ में फ़्रांस का ढाँचा था। उस ढाँचे ने मुझे वह दिखाया जो स्कोरकार्ड नहीं दिखा रहा था — कि जगह छोड़ना भी एक आक्रामक कदम हो सकता है, अगर छोड़ी गई जगह वह हो जहाँ प्रतिद्वंद्वी को जाना ही नहीं है। लेकिन उसने मुझे वह भी दिखाया जो मैं नहीं देखना चाहता था: क्रिकेट में जगह छोड़ने की कीमत तुरंत चुकानी पड़ती है, क्योंकि एक गेंद में छह रन बन सकते हैं और फ़ुटबॉल में एक पास में छह रन नहीं बनते।

मैं अपने खुद के नियम के तहत यह साफ़ लिख रहा हूँ: हर उधार लिए गए ढाँचे पर एक पैराग्राफ़ यह बताने के लिए चाहिए कि वह क्रिकेट में क्या नहीं देख सकता। लो-ब्लॉक ढाँचा मध्य ओवरों में स्पिनर के कोण को नहीं देख सकता। फ़ुटबॉल का ढाँचा यह नहीं समझ सकता कि एक स्पिनर का ड्रिफ्ट उसके टर्न से ज़्यादा मायने रखता है। और सबसे बड़ी बात, फ़ुटबॉल का ढाँचा यह नहीं समझ सकता कि क्रिकेट में रीसेट ज़बरदस्ती का होता है, इसलिए कोई भी योजना जो सत्रह ओवर तक चलनी है, उसे हर ओवर में दोबारा सिद्ध करना पड़ता है।

जब 60 मैचों का डेटा एक ही चर पर आ गया

साल 2026 में लैब की फंडिंग जम गई और पद चला गया। मैंने वह साल एक फ्रीलांस विश्लेषक के तौर पर बिताया, और उसी दौरान UAE में हुए IPL के साठों मैच कोड किए — 19 सितंबर से 10 नवंबर तक — जहाँ मुंबई इंडियंस ने दिल्ली कैपिटल्स को दुबई में पाँच विकेट से हराया।

जो नतीजा निकला वह मैदान पर दिख रही कहानी से अलग था। साठ में से सत्ततीस मैच दूसरी पारी में बल्लेबाज़ी करने वाली टीम ने जीते। यह संख्या अपने आप में कोई रणनीति नहीं बताती, लेकिन जब आप उसे ओस के चार्ट पर रखते हैं तो वह बताती है। ओस, रणनीति नहीं, वह टूर्नामेंट तय कर रही थी। और ओस एक ऐसा चर है जो किसी भी टीम-कॉम्बिनेशन, किसी भी टॉस-रणनीति और किसी भी कोचिंग निर्णय से ऊपर बैठता है।

यह मेरे काम का सबसे ज़रूरी सबक है, और यह उस खाली आउटपुट पर सीधे लागू होता है। जब एक चर इतना ऊपर बैठ जाए कि बाकी सब बेअसर हो जाए, तो उस चर का नाम लेना ज़रूरी हो जाता है — भले वह चर आपके मॉडल में न हो। UAE में वह चर ओस था। ग्यारह फरवरी के आउटपुट में वह चर क्या था, यह मैं अभी नहीं जानता, लेकिन मुझे पता है कि वह कहाँ खोजा जाएगा: कच्चे HTML के आकार और स्थिति कोड में।

अठारह दिसंबर की रात, और उसके नौ दिन बाद आने वाला पीस

उसी साल 19 दिसंबर को भारत एडिलेड में 21.2 ओवरों में 36 रन पर ढेर हो गया। मैंने वे सारी 128 गेंदें दोबारा देखीं, एक शॉट-सिलेक्शन नक्शा बनाया, और पीस नौ दिन देर से भेजा। संपादक ने फिर भी छापा।

UAE IPL वाला पीस देय होने के नौ दिन बाद मुझे वह धारणा मिली जो उसे चला रही थी: मैं यह साबित कर रहा था कि ओस ही सब कुछ है, जबकि असल में ओस यह तय कर रही थी कि टॉस कौन जीतेगा। यही अंतर है — एक चर का असर और एक चर का फ़ैसला।

डेडलाइन चूकना नौकरी जाने से ज़्यादा चुभा। मैंने एक नियम बनाया: ज़्यादा से ज़्यादा 72 घंटे कोडिंग, फिर जो डेटा कहता है वही लिखो। और मैंने अपना ढाँचा पहले छापना शुरू किया, निष्कर्ष बाद में, ताकि पाठक मशीनरी देख सके, फिर फ़ैसला। मेरी फाइलिंग दर दोगुनी हो गई; पूर्णतावाद गया नहीं, बस उसका शेड्यूल बन गया।

यह नियम आज मुझे ग्यारह फरवरी की स्थिति में काम आ रहा है। मशीनरी यह है: एक क्लासिफ़ायर जो शीर्षक और URL से लेबल निकालता है, एक एक्सट्रैक्टर जो बॉडी से सूचना बिंदु निकालता है, एक टेम्पलेट जो उन बिंदुओं से एंटिटी, समय और स्रोत-गुणवत्ता व्युत्पन्न करता है, और एक विश्लेषक जो उन सब पर बैठता है। फ़ैसला यह है: पहला ठीक चला, दूसरा नहीं, और तीसरे ने दूसरे की अनुपस्थिति में काम करने की कोशिश की।

वह पीस जो नहीं लिखा गया, और वही असली खतरा है

यहाँ मुझे वह मोड़ लेना है जो मुझे सबसे ज़्यादा अप्रिय लगता है, क्योंकि सहज प्रतिक्रिया गलत जगह पर मरम्मत करवाएगी।

हर कोई एक्सट्रैक्टर ठीक करने में लग जाएगा। एक्सट्रैक्टर को ठीक करना ज़रूरी है और वह आसान है। लेकिन असली बग वह वाक्य है जो डेटा की अनुपस्थिति में भी डेटा से व्युत्पत्ति का निर्देश देता है। वह वाक्य एक धारणा को कोड में बदल देता है, और उसके बाद वह धारणा किसी को दिखती नहीं।

मेरी अपनी बही में यही बीमारी थी। 2026 की सीम शीट में मैंने कभी यह नहीं लिखा कि जिन ओवरों का मैं डेटा नहीं ले पाया, वे डेटा का अंतराल हैं या डेटा का तथ्य। मैंने उन्हें चुपचाप छोड़ दिया और आगे की हर गणना उसी छूट के साथ की। अगर मैंने उन ओवरों को चिह्नित कर दिया होता, तो मुझे छह महीने पहले पता चल जाता कि मध्य ओवर मेरे डेटासेट में नहीं हैं क्योंकि मध्य ओवर किसी के डेटासेट में नहीं हैं।

यह मेरी बार-बार दोहराई जाने वाली थीसिस है और यहाँ वह सीधे लागू होती है: भारतीय और एशियाई घरेलू कवरेज उन्हीं चरणों को व्यवस्थित रूप से गिरा देता है जो मैच तय करते हैं — मध्य ओवर, दूसरा स्पेल, गीली गेंद पर डेथ बॉलिंग। यह छूट आकस्मिक नहीं है, यह संरचनात्मक है, क्योंकि जो चरण कवरेज में सबसे कम रोमांचक लगते हैं वही संपादकीय रूप से सबसे पहले कटते हैं। और अब जब पाइपलाइन वही कटौती मशीन के पैमाने पर कर रही है, तो छूट का आकार बढ़ गया है, उसका स्वरूप नहीं बदला।

दूसरा मोड़ इससे भी कम आरामदायक है। मान लीजिए एक्सट्रैक्टर खाली न लौटता। मान लीजिए वह किसी त्रुटि पृष्ठ के शीर्षक और किसी विज्ञापन के पाठ को जोड़कर चार सूचना बिंदु बना देता। Stage-2 उन चार बिंदुओं पर एक बही-खाता बना देता, फिर एक कहानी, फिर एक निष्कर्ष — और वह पीस पढ़ने में पूरी तरह सामान्य लगता। किसी को शक न होता। खाली आउटपुट ने हमें बचाया; भरा हुआ झूठा आउटपुट हमें बर्बाद कर देता।

इसीलिए मैं इस घटना को विफलता नहीं कहता। मैं इसे एक सफल पहचान कहता हूँ जो गलत जगह पर रुकी। एक्सट्रैक्टर ने सच बताया — "मुझे सामग्री नहीं मिली" — और सिस्टम ने उस सच को पढ़ने से इनकार कर दिया।

मेरा अपना पूर्व-विश्लेषण, और वह जाल जिसमें मैं गिरता हूँ

मेरी आदत है कि मैं नॉकआउट में तीन क्रमांकित विफलता-मोड लेकर पहुँचता हूँ, और वही आदत यहाँ मुझ पर उलटी पड़ सकती है। अगर मैं इस घटना का पूर्व-विश्लेषण पूरी तरह लिख दूँ, तो पाठक को लगेगा कि मामला तय हो चुका है — कि पाइपलाइन टूटी है, कि एशियाई क्रिकेट का डेटा नहीं है, कि कहानी ख़त्म। यह सरलीकरण है और यह मेरी सबसे बड़ी कमज़ोरी है।

सच यह है कि अभी मेरे पास तीन संभावनाएँ ज़िंदा हैं और मैं उनमें से किसी को भी अंतिम नहीं मानता।

पहली: यह एक अलग-थलग घटना है — उस दिन उस साइट ने कुछ बदला, या उस दिन का अनुरोध किसी और वजह से रुका। इस स्थिति में समस्या उपकरण की है, डेटा की नहीं।

दूसरी: यह उस स्रोत की संरचना है — वह साइट जावास्क्रिप्ट पर चलती है, या पे-वॉल के पीछे है, और हर बार ऐसे ही खाली लौटेगी। इस स्थिति में समस्या स्रोत-चयन की है, और इलाज यह है कि हम उस स्रोत को उसी तरह दर्ज करें जैसे हम एक अनुपलब्ध ओवर दर्ज करते हैं, न कि उसे गिरा दें।

तीसरी, और सबसे असहज: यह उस वर्ग के स्रोतों का सामान्य स्वभाव है जिन पर यह लेबल लगता है। इस स्थिति में खाली आउटपुट कोई दुर्घटना नहीं है, वह एशियाई क्रिकेट के सार्वजनिक रिकॉर्ड की एक सटीक तस्वीर है।

मैं इन तीनों में से किसी को भी अभी चुन नहीं रहा, और यह जानबूझकर है। यही वह अनुशासन है जो मैंने नौ दिन देर से भेजे गए पीस के बाद सीखा: निष्कर्ष को डेटा के बाद आने दो।

अगला कदम वह प्रश्न है जो सत्यापित किया जा सके

जो सुधार मैं सुझाता हूँ वह तकनीकी नहीं, अनुबंध-संबंधी है: Stage-1 के निकास पर एक कठोर शर्त लगे — अगर सूचना बिंदुओं की सूची रिक्त है, तो पूरा कार्य FAILED चिह्नित हो और Stage-2 कभी न चले। यह सुधार सस्ता है और यह इस समस्या से बड़ा है, क्योंकि यह हर उस जगह लागू होता है जहाँ एक रिक्त परिणाम को सफल परिणाम मान लिया जाता है।

लेकिन मैं यह भी जानता हूँ कि एक कठोर शर्त फिर से वही समस्या पैदा कर सकती है जिससे मैं खुद पीड़ित रहा हूँ। अगर हम हर रिक्त परिणाम को विफलता मान लें, तो हम उस विफलता से इतनी जल्दी थक जाएँगे कि हम उसे दबाना शुरू कर देंगे। इसलिए शर्त के साथ एक लॉग भी चाहिए जो बताए कि खालीपन कहाँ से आया — स्थिति कोड, कच्चे HTML का आकार, और स्रोत का नाम। यह लॉग वह बहीखाता है जो मैंने 2026 में हाथ से बनाया था, और यह अब मशीन को बनाना चाहिए।

अगली बार जब cricket_asia पर कोई खाली आउटपुट आए, मैं तीन चीज़ें देखूँगा और उन्हें पहले से लिखकर रख रहा हूँ। एक: क्या रिक्तता उसी स्रोत से दोबारा आती है, या हर बार नए स्रोत से। दोबारा आना संरचना है, नया-नया आना उपकरण है। दो: क्या उस स्रोत के अन्य पेज उसी दिन सफलतापूर्वक निकले। अगर सफल निकले, तो समस्या उस एक पेज की है और वह उपकरण का दोष है। तीन: क्या उस स्रोत का कोई वैकल्पिक मार्ग मौजूद है — कोई RSS, कोई साझेदार एजेंसी, कोई अभिलेख। वैकल्पिक मार्ग का होना या न होना यह बताएगा कि यह अंतराल गरीबी है या अभ्यास।

मैं नक्शे पर तब भरोसा करता हूँ जब मैं उसे बदतर ढंग से हाथ से दोबारा बना चुका होता हूँ। ग्यारह फरवरी का खाली आउटपुट मेरे लिए वही बदतर नक्शा है — यह बताता है कि मॉडल कहाँ नहीं पहुँचता, और ठीक इसीलिए यह किसी भी भरे हुए नक्शे से ज़्यादा कीमती है।

सवाल यह नहीं है कि पाइपलाइन ने क्या खोया। सवाल यह है कि उसने जो खोया, उसे उसने बताया — और उसके बाद के पूरे ढाँचे में कोई था जो उसे सुन सके?