ग्यारह कॉलम, शून्य पंक्तियाँ: एशियाई क्रिकेट के डेटा में जो खाली जगह है, उसका भी बहीखाता होता है

रात 11:47 बजे पुणे के डेस्क पर पाइपलाइन बंद हुई और आउटपुट में ग्यारह कॉलम थे, शून्य पंक्तियाँ। Article Title: N/A। Article Source: N/A। Article Type: Unclassified। One-sentence Summary: खाली। Author Stance/Purpose: N/A। Information Points: खाली सूची। Entities Involved के आगे निर्देश था — "ऊपर दिए गए सूचना बिंदुओं से पहचानें" — जबकि ऊपर कोई सूचना बिंदु ही नहीं था। Time Sensitivity: मूल्यांकन नहीं हुआ। Source Quality: "प्रत्येक सूचना बिंदु के source फ़ील्ड से तय करें", और सूचना बिंदु थे ही नहीं। पूरे आउटपुट में एक ही चीज़ भरी थी: Domain Label: cricket_asia।

दो साल पहले एक रद्द इंटर्नशिप ने मुझे खाली स्टेडियम में सवालों से भरी नोटबुक के साथ छोड़ दिया था। तब मुझे लगा था कि अनुपस्थिति सिर्फ़ कमी है — कुछ ऐसा जो होना चाहिए था और नहीं हुआ। उस शटडाउन में मैंने यूएई के तीन खाली वेन्यू पर खेले गए साठ मैचों का क्राउड डेटा लॉग किया, और तब समझा कि भूतिया स्टेडियम का भी बहीखाता होता है: हर खाली कुर्सी किसी कीमत पर बिकी थी या किसी कीमत पर नहीं बिकी। ग्यारह कॉलम और शून्य पंक्तियों वाली यह शीट उसी बहीखाते का अगला पन्ना है। यह जानकारी की कमी नहीं है। यह शून्य है, और शून्य भी एक माप है।

एक स्कोरकार्ड, नौ भाषाएँ, पाँच पूर्ण सदस्य

Stage-1 का काम सीधा है: एक लेख पढ़ो, उसके भीतर से तथ्य निकालो, हर तथ्य के साथ उसका मूल वाक्य रखो, और बताओ कि लेख किस शैली में लिखा गया है — रिपोर्ट, फ़ीचर, विश्लेषण, इंटरव्यू या प्रेस रिलीज़। ग्यारह फ़ील्ड उसी प्रक्रिया का ढाँचा हैं। जब शीर्षक और स्रोत दोनों खाली आते हैं, तो गड़बड़ी किसी एक फ़ील्ड में नहीं, पूरे क्रम में है।

cricket_asia दुनिया का सबसे आसान लेबल लगता है और व्यवहार में सबसे कठिन है। एशिया में ICC के पाँच पूर्ण सदस्य हैं — भारत, पाकिस्तान, श्रीलंका, बांग्लादेश, अफ़ग़ानिस्तान — और उनके बाद नेपाल, यूएई, ओमान, हांगकांग, मलेशिया, सिंगापुर जैसा सहयोगी सदस्यों का पूरा जाल। हर पूर्ण सदस्य के भीतर एक घरेलू प्रथम श्रेणी ढाँचा है: रणजी और दलीप ट्रॉफ़ी, क़ायदे-आज़म ट्रॉफ़ी, श्रीलंका की प्रीमियर क्लब संरचना, बांग्लादेश की नेशनल क्रिकेट लीग, अफ़ग़ानिस्तान का अहमद शाह अब्दाली चार-दिवसीय टूर्नामेंट। उसके ऊपर फ़्रैंचाइज़ परत — IPL, PSL, LPL, BPL, ILT20 — और उसके ऊपर ACC का एशिया कप और इमर्जिंग टीम्स एशिया कप।

हर परत अलग तरह से प्रकाशित होती है। बोर्ड की वेबसाइट, एजेंसी वायर (PTI, UNI, ANI, APP, BSS), क्षेत्रीय अख़बार, सिर्फ़ YouTube पर मिलने वाला प्रेस कॉन्फ़्रेंस, और सबसे ऊपर — नौ भाषाओं में लिखा हुआ वह कवरेज जिसे कोई सेंट्रल इंडेक्स नहीं करता: हिंदी, उर्दू, बांग्ला, तमिल, मराठी, सिंहल, नेपाली, पश्तो, अंग्रेज़ी। मैंने नौ साल इस क्षेत्र को कवर किया है और लगभग हर महीने किसी न किसी डेटा टीम से वही सवाल सुना है: भारत के अलावा का डोमेस्टिक डेटा साफ़ क्यों नहीं मिलता। जवाब सुस्ती नहीं है। जवाब यह है कि वहाँ डेटा का सार्वजनिक रिकॉर्ड ही पतला है।

खाली क्यों है — यह चार चीज़ों से अलग है

खाली ऑब्जेक्ट को पढ़ना जाँच का काम है, शिकायत का नहीं। मेरे हिसाब से विफलता के चार साफ़ साफ़ बकेट हैं और हर बकेट का एक अलग फ़ुटप्रिंट है।

पहला, रेंडर-ब्लॉक। पेज JavaScript से बनता है और सीधे फ़ेच में बॉडी नहीं आती — लेकिन HTML के head में og:title और meta description आम तौर पर बच जाते हैं। ऐसे केस में शीर्षक नहीं, बॉडी खाली आती है। दूसरा, सिलेक्टर ड्रिफ्ट। साइट का टेम्पलेट बदलता है और पुराना CSS सिलेक्टर किसी और चीज़ को पकड़ने लगता है — शीर्षक आता है, तथ्य गायब। तीसरा, एनकोडिंग। देवनागरी, बांग्ला या उर्दू के UTF-8 और legacy फ़ॉन्ट के टकराव में आपको मोजीबेक मिलता है, खाली स्ट्रिंग नहीं। चौथा, सेशन वॉल या रेट लिमिट। सर्वर 200 लौटाता है, पर पेज लॉगिन या कैप्चा होता है — तब शीर्षक "Sign in" जैसा कुछ दिखता है।

इस रन का सिग्नेचर इन चारों से अलग है। शीर्षक और स्रोत दोनों खाली हैं, जिसका मतलब पे-वॉल नहीं (पे-वॉल शीर्षक तो देता है), जियो-ब्लॉक नहीं (जियो-ब्लॉक पेज तो देता है), और 404 भी नहीं (404 का स्टेटस अलग लॉग होता है)। शीर्षक खाली, बॉडी खाली, और सूचना बिंदुओं की सूची भी खाली — तीनों एक साथ। इसका सबसे सस्ता और सबसे ईमानदार स्पष्टीकरण यह है कि फ़ेच लेयर ने एक खाली दस्तावेज़ लौटाया, और एक्सट्रैक्टर ने उसी को बिना अनुमान लगाए दर्ज कर दिया। एक्सट्रैक्टर ईमानदार था। गलती उसके ऊपर थी।

यह अंतर बड़ा है, क्योंकि सिस्टम की असली समस्या चुपचाप विफल होना है। जो पाइपलाइन ज़ोर से गिरती है, वह अगली सुबह ठीक हो जाती है — exception मिलता है, लॉग में स्टैक ट्रेस मिलता है, किसी का फ़ोन बजता है। जो पाइपलाइन खाली ऑब्जेक्ट लौटाती है, वह डाउनस्ट्रीम में "इस सामग्री में विश्लेषण योग्य कुछ नहीं है" बनकर पास हो जाती है, और अगले तीन हफ़्ते तक कोई नहीं जानता कि वहाँ एक लेख था।

कवरेज के भी चरण होते हैं, और एक्सट्रैक्शन डेथ ओवर में मरता है

2026 विश्व कप में मैंने हर रीस्टार्ट की लाइव शीट रखी थी — कॉर्नर, फ़्री किक, थ्रो-इन, पहला टच, दूसरी गेंद, शॉट तक का समय। उस एक्सरसाइज़ ने मुझे सिखाया कि हर मैच में फ़ेज़ की सीमाएँ खींचनी पड़ती हैं, वरना आप पूरे खेल को एक ही कहानी समझ बैठते हैं। क्रिकेट कवरेज का भी वही ढाँचा है। पावरप्ले है अधिकृत प्रेस बॉक्स और एक्रेडिटेशन — पहले दस ओवर में संस्थागत रिपोर्टिंग होती है, एजेंसी कॉपी आती है, स्कोरकार्ड अपडेट होता है। मिडिल ओवर हैं वायर रिराइट और सिंडिकेटेड कॉलम — दोहराया हुआ, सुरक्षित, पढ़ने में आसान। डेथ ओवर हैं रात 11:40 बजे किसी क्षेत्रीय डेस्क पर लिखा गया तीन सौ शब्दों का वह रिपोर्ट, जिसे किसी सेंट्रल फ़ीड ने इंडेक्स नहीं किया। मेरे अनुभव में एशियाई घरेलू क्रिकेट की सबसे ज़रूरी रिपोर्टिंग ठीक उसी डेथ ओवर में होती है, और डेटा पाइपलाइनें वहीं मरती हैं।

यहाँ एक और बात जोड़नी ज़रूरी है, और वह मॉडल की सीमा है। एशियाई घरेलू क्रिकेट में प्राथमिक स्रोत अक्सर वेबसाइट नहीं होता। वह WhatsApp ग्रुप में भेजा गया स्कोरकार्ड की फ़ोटो होता है — बोर्ड का मीडिया मैनेजर शाम को शीट की तस्वीर खींचकर भेजता है, और वही उस मैच का एकमात्र जीवित रिकॉर्ड होता है। जो लोग सिस्टम के अंदर हैं, वे यह जानते हैं। जो पाइपलाइन बनाते हैं, वे नहीं जानते, और उनका OCR उस तस्वीर को कभी नहीं पढ़ पाता। इस शीट की खाली पंक्तियों में उस अंतर की कीमत भी दर्ज है।

जो मॉडल नहीं देख सकता

मॉडल यह नहीं देख सकता कि वह लेख जिसकी शीर्षक-पंक्ति खाली आई, उसे किसी ने लिखा था और किसी ने पढ़ा था। वह यह भी नहीं देख सकता कि किस दिन किस बोर्ड ने अपनी साइट का CMS बदला और पुराने सारे लिंक तोड़ दिए, या कि किस रिपोर्टर ने दोपहर का इंटरव्यू रात में फाइल करके सुबह उसे हटा दिया। मॉडल को सिर्फ़ पंक्तियाँ दिखती हैं। शून्य पंक्तियों वाली शीट में उसे कुछ नहीं दिखता, और वह चुपचाप "कोई सामग्री नहीं" कह देता है। मुझे 2026 में यही ग़लती समझ आई थी, तब भी चुपचाप थी।

स्क्रैपर ठीक करना समस्या नहीं है

सहज प्रतिक्रिया यह होगी कि पाइपलाइन मरम्मत करो, सिलेक्टर अपडेट करो, रेंडर-मोड बदलो, और बैकफ़िल चला दो। मेरी आपत्ति यहाँ है। जब आप उस पाइपलाइन को ठीक करके वह लेख वापस लाएँगे, तो बहुत संभव है कि आपको वही मिले जो मिलने की संभावना सबसे ज़्यादा है: एजेंसी वायर की दो-पंक्ति की कॉपी, जिसमें कोई ओरिजिनल तथ्य नहीं है। असली खाई एक्सट्रैक्शन की नहीं, रिपोर्टिंग क्षमता की है — और एक्सट्रैक्शन की खाई को भरना रिपोर्टिंग की खाई को भरने जैसा नहीं है। जो लोग भीतर बैठे हैं और यह बात कह रहे हैं, उन्हें सुना जाना चाहिए, क्योंकि वे यह भी बता सकते हैं कि कौन-सा खाली स्थान असल में खाली है और कौन-सा सिर्फ़ अपठित है।

दूसरी, ज़्यादा असुविधाजनक बात। खाली फ़ील्ड को "उचित लगने वाले" मान से भरना इस पूरी गड़बड़ी का सबसे बड़ा पाप है, और मैं यह इसलिए लिख रहा हूँ क्योंकि मैंने ख़ुद यह किया है। फ़रवरी 2026 में मैंने IPL नीलामी को कीमत देने के लिए एक स्प्रेडशीट बनाई थी — 2026 और 2026 सीज़न के रन और विकेट, क्रिकबज़ स्कोरकार्ड से हाथ से टाइप। राइज़िंग पुणे सुपरजायंट ने बेन स्टोक्स के लिए ₹14.5 करोड़ दिए, उस नीलामी की सबसे महँगी विदेशी खरीद। मेरे मॉडल में स्टोक्स नौवें नंबर पर थे। स्टोक्स टूर्नामेंट के प्लेयर ऑफ़ द टूर्नामेंट बने, और RPS फ़ाइनल हैदराबाद में मुंबई इंडियंस से एक रन से हार गया। मैंने उसका पोस्ट-मॉर्टम छापा, शीर्षक था "Why My Model Was Wrong About Stokes"। वह मॉडल ग़लत नहीं था क्योंकि डेटा कम था; वह ग़लत था क्योंकि मैंने जिस चीज़ को नहीं मापा था, उसकी जगह एक विश्वसनीय वज़न रख दिया था — डेथ ओवर में उनका असर, करीबी मैचों में उनकी बैटिंग। Stage-1 की खाली पंक्तियों में अनुमान भरना ठीक वही चीज़ है, बस बिना एक्सेल के।

सस्ता और ज़रूरी काम

जो करना चाहिए, वह बहुत कम रोमांचक है। हर रन के लॉग में HTTP स्टेटस, रेंडर-मोड और फ़ेच लेयर से लौटे बाइट्स की संख्या दर्ज करो। तीन जानकारियाँ, तीन कॉलम — और चुपचाप विफल होने की आदत टूट जाती है, क्योंकि शून्य बाइट्स कभी 200 नहीं दिखता। फिर विफलताओं का सार्वजनिक संग्रहीत बनाओ: कौन-से स्रोत, किस तारीख़ को, किस बकेट में गिरे। असफलताओं का संग्रहीत सफलताओं के संग्रहीत से ज़्यादा काम का है, क्योंकि सफलता आपको वह दिखाती है जो आप पहले से मानते हैं, और असफलता वह।

अगले टूर्नामेंट चक्र में हम सब कुछ ऐसे डेटासेट पर कीमत लगाएँगे जिनमें छेद हैं — प्लेइंग इलेवन की घोषणा, वर्कलोड, चोट की स्थिति, घरेलू फ़ॉर्म। उस कीमत के साथ उसका एरर बार ऊपर दिखना चाहिए, फ़ुटनोट में नहीं। जिस दिन एशियाई क्रिकेट की एक घरेलू पारी का स्कोरकार्ड सिर्फ़ एक WhatsApp तस्वीर के रूप में ज़िंदा रहता है, उस दिन हमारे सारे मॉडल एक साथ उसी शून्य की पंक्ति में खड़े होते हैं। सवाल यह नहीं कि पाइपलाइन कब ठीक होगी। सवाल यह है — जब वह ठीक हो जाएगी, तो उस खाली जगह में लिखने के लिए कोई होगा या नहीं।