खाली सेल का कारोबार: क्रिकेट कवरेज की डेटा पाइपलाइन में एक फेल हुआ एक्सट्रैक्शन कैसे नकली ट्रेंड बनाता है

हुक: चौदह पंक्तियाँ और एक भरा हुआ सेल

मंगलवार सुबह दस बजे मैंने एशिया-क्रिकेट कवरेज की वॉल्यूम शीट खोली। चौदह पंक्तियाँ, नौ कॉलम। शीर्षक खाली। स्रोत खाली। प्रकाशन की तारीख़ खाली। दस्तावेज़ का प्रकार — समाचार, विश्लेषण, राय या स्कोरकार्ड — तय ही नहीं हुआ था। मुख्य दृष्टिकोण वाले कॉलम में हर सेल में N/A, सूचना बिंदु हर पंक्ति में शून्य, और समय-संवेदनशीलता का आकलन हुआ ही नहीं।

अगर यह किसी मैच का स्कोरकार्ड होता तो मैं कहता कि बॉल-बाय-बॉल डेटा खो गया है, पर मैच तो चला है। यहाँ उल्टा हो रहा था। मैच — यानी दस्तावेज़ — कहीं था ही नहीं, और स्कोरकार्ड यानी लेबल मौजूद था। नौ कॉलम में से एक ही भरा हुआ था, और वह था टैग: cricket_asia।

पाइपलाइन का फ़ैसला साफ़ था और ईमानदार भी — इस इनपुट पर आगे का विश्लेषण नहीं हो सकता। जो चीज़ फ़ैसले से बच निकली, वह अधूरे दस्तावेज़ से कहीं ज़्यादा कीमती थी: वह टैग। मैंने जनवरी 2026 में इंदौर के रणजी फाइनल से लौटकर चौदह फील्ड डायग्राम बनाए थे, और उस वक़्त सीखी एक बात आज भी मेरी मेज़ पर चिपकी हुई है — जिस बॉल पर फील्ड सेट ही नहीं हुई थी, उसके लिए नक्शा बनाना योजना नहीं, सजावट है।

कॉन्टेक्स्ट: दस्तावेज़ से ट्रेंड तक का रास्ता

हर बड़ा क्रिकेट डेटा ऑपरेशन तीन स्तरों पर चलता है। पहला, एक्सट्रैक्शन — पेज से शीर्षक, बायलाइन, तारीख़ और बॉडी टेक्स्ट निकालना। दूसरा, डीकंस्ट्रक्शन — उस टेक्स्ट को छह-सात फ़ील्ड में तोड़ना: शीर्षक, स्रोत, प्रकार, थीसिस या स्टांस, सूचना बिंदु, एंटिटी और समय-संवेदनशीलता। तीसरा, एग्रीगेशन — इन फ़ील्ड को गिनकर वॉल्यूम, ट्रेंड और प्रायोरिटी इंडेक्स बनाना।

क्रिकेट में यह ढाँचा अजीब नहीं लगता, क्योंकि खेल खुद इसी तरह बढ़ता है। बॉल डेटा से ओवर-फेज़ बनती है, फेज़ से पारी का आकार, और पारी से मैच का नैरेटिव। जिस दिन फेज़-स्प्लिट गायब हो जाए, उस दिन स्कोरकार्ड कहानी नहीं, सिर्फ़ संख्या बन जाता है। कवरेज पाइपलाइन में Stage-1 ठीक वही फेज़-स्प्लिट है।

एशिया-क्षेत्र का क्रिकेट इस ढाँचे पर सबसे ज़्यादा दबाव डालता है। एक ही हफ़्ते में भारतीय क्रिकेट कंट्रोल बोर्ड (BCCI), पाकिस्तान क्रिकेट बोर्ड (PCB), श्रीलंका क्रिकेट (SLC) और बांग्लादेश क्रिकेट बोर्ड (BCB) चार अलग किस्म की खबरें बनाते हैं। कुछ मैदान से आती हैं, कुछ बोर्डरूम से, और कुछ सिर्फ़ हाइब्रिड मॉडल जैसी प्रशासनिक व्यवस्थाओं से। एक ही मैच पर चार देशों के चार आउटलेट चार अलग फ़्रेमिंग में लिखते हैं, और अंतर्राष्ट्रीय क्रिकेट परिषद (ICC) की घोषणाएँ पाँचवीं आवाज़ जोड़ देती हैं।

यही वजह है कि स्रोत और प्रकार वाले कॉलम भार उठाते हैं। स्रोत बताता है कि आउटलेट किस बोर्ड के करीब बैठा है, और प्रकार बताता है कि हम खबर गिन रहे हैं या राय। जिस दस्तावेज़ में दोनों खाली हों, उसे गिना तो जा सकता है, तौला नहीं जा सकता।

| Stage-1 फ़ील्ड | खाली होने पर क्या रुकता है | क्रिकेट में सीधा असर | |---|---|---| | शीर्षक, स्रोत, प्रकार | प्रोवेनेंस और आउटलेट-बायस प्रायर | पता नहीं चलता कि कौन-सा बोर्ड-नज़दीक आउटलेट बोल रहा है | | मुख्य दृष्टिकोण (N/A) | थीसिस और फ़्रेमिंग की जाँच | बहस का निशाना ही तय नहीं होता | | सूचना बिंदु (शून्य) | एंटिटी मैप और दावों की सूची | कोई तारीख़, आंकड़ा या हवाला उपलब्ध नहीं | | समय-संवेदनशीलता (अनाकलित) | रिसेंसी और टाइमलाइन रीड | पुरानी खबर ताज़ा की तरह गिनी जाती है |

कोर: खाली सेल कहाँ बनी, और किसने बनाई

1. योजना सही थी, चरण देर से आए

छह फ़ील्ड वाली डीकंस्ट्रक्शन योजना खराब नहीं थी। शीर्षक, स्रोत, प्रकार, स्टांस, सूचना बिंदु और समय-संवेदनशीलता — यही छह चीज़ें हैं जिनके बिना किसी भी क्रिकेट खबर को ट्रेंड में नहीं गिनना चाहिए। यहाँ तकनीकी योजना सही थी; जो देर से पहुँची, वह एक्सट्रैक्शन की चरणबद्धता थी। चाक सही था, टाँगें देर से आईं।

दोष किसका है, यह सवाल ज़रूरी है, क्योंकि ग़लती का ठिकाना ग़लत जगह लगाने से सुधार रुक जाता है। Stage-1 का काम दस्तावेज़ को तोड़ना है, उसे खोजना नहीं। अगर इनपुट खाली पहुँचा, तो एडिटोरियल लेयर की ग़लती नहीं है। ग़लती उस जोड़ पर है जहाँ स्क्रैपर ने पेज को टेक्स्ट समझकर आगे सौंप दिया, जबकि पेज में पढ़ने लायक टेक्स्ट था ही नहीं।

क्रिकेट में इस फ़र्क़ को मैं क्षेत्ररक्षण की तरह देखता हूँ। कैच छूटा तो सवाल यह नहीं होता कि फील्ड क्यों सेट थी; सवाल यह होता है कि फील्डर खड़ा कहाँ था। अगर वह ग़लत जगह खड़ा था, तो मैदान की आवाज़ पर इल्ज़ाम लगाना बेकार है।

2. चार फेल्योर मोड, और क्रिकेट में उनका चेहरा

पहला, जावास्क्रिप्ट रेंडर्ड पेज। आज एशिया के बड़े आउटलेट लाइव कवरेज को विजेट में चलाते हैं। स्क्रैपर को HTML में खोल और बंद करने वाले टैग मिलते हैं, स्कोर और कॉमेंट्री ब्राउज़र में बाद में जुड़ती है। नतीजा — एक लेख जिसका ढाँचा मौजूद है, बॉडी नहीं। शीट में यह पंक्ति ऐसे बैठती है जैसे पिच रिपोर्ट आ गई हो और टॉस की खबर गायब हो।

दूसरा, गलत पेज टाइप। सीरीज़ हब, फिक्सचर लिस्ट, स्कोरकार्ड पेज, या रीडायरेक्ट हुआ 404 — इन सबको आर्टिकल की तरह क्लासिफाई कर देना। ऐसे पेज में शीर्षक होता है, तारीख़ नहीं; या तारीख़ होती है, दावा नहीं। इसी से वे शून्य सूचना बिंदु बनते हैं जो मेरी शीट में दिख रहे थे। एक फिक्सचर पेज को खबर मान लेना वैसा ही है जैसे डगआउट की फोटो को मैच रिपोर्ट मान लेना।

तीसरा, ट्रंकेशन। जो टेक्स्ट पाइपलाइन तक पहुँचा, वह नेविगेशन, विज्ञापन और बायलाइन का मिश्रण था। क्रिकेट की भाषा में इसे बिना बॉल फेंके ओवर घोषित करना कह सकते हैं — औपचारिकता पूरी, खेल शून्य।

चौथा, फॉलबैक लेबल। सबसे शांत और सबसे महँगा। जब क्लासिफायर को कोई संकेत नहीं मिलता, तो वह डिफ़ॉल्ट बकेट में गिरा देता है। cricket_asia यहाँ ज्ञान नहीं, डिफ़ॉल्ट है। और डिफ़ॉल्ट की खासियत यह है कि वह कभी खाली नहीं दिखता — वह हमेशा भरा हुआ लगता है।

इन चार में से तीन एक्सट्रैक्शन की ग़लती हैं और चौथी क्लासिफिकेशन की। मगर असर एक ही है: दस्तावेज़ चुपचाप ऐसी शक्ल में बदल जाता है जिसे गिना जा सके, समझा न जा सके।

3. बकेट सबूत नहीं होता

cricket_asia एक विषय-लेबल है, प्रमाण नहीं। यह बताता है कि पाइपलाइन ने दस्तावेज़ को एशिया-क्षेत्रीय क्रिकेट की टोकरी में रखा। यह नहीं बताता कि प्रतियोगिता कौन-सी थी, देश कौन-सा, दस्तावेज़ खबर था या राय, और क्या वह लेख था भी या नहीं। सबसे बड़ी दिक्कत यह है कि एंटिटी वाला कॉलम ही सूचना बिंदुओं से निकलना था, और सूचना बिंदु शून्य थे — यानी वह कॉलम अपने ही निर्देश में घूमता रह गया।

ख़तरा एग्रीगेशन में है। मान लीजिए तिमाही के अंत में किसी डैशबोर्ड पर एशिया क्रिकेट कवरेज का आंकड़ा चढ़ता है। उस चढ़ाव में एक स्कोरकार्ड, एक 404 और एक पेडवॉल वाला प्रीव्यू, तीनों बराबर वज़न के साथ गिने जा रहे हैं। हरनामा सही है, पर उसमें लिखा हुआ नाम ग़लत है। ऐसा आंकड़ा बाद में किसी बोर्ड की लोकप्रियता, किसी सीरीज़ की गरमाहट या किसी खिलाड़ी की चर्चा को सही ठहराने के लिए इस्तेमाल हो जाता है।

यहीं मुझे अपनी सबसे पुरानी आदत याद आती है: शक गिनती पर नहीं, गिनती की व्याख्या पर। फेज़-स्प्लिट रखो, रैंकिंग फेंको। तिमाही का कुल जोड़ किसी काम का नहीं अगर उसमें यह तय न हो कि कौन-सा हिस्सा मैदान से आया और कौन-सा बोर्डरूम से।

4. कवरेज का फेज़ आर्किटेक्चर: बीच का चरण क्यों गायब होता है

किसी भी सीरीज़ की कवरेज तीन चरणों में बहती है। सीरीज़-पूर्व — कार्यक्रम, चयन, बोर्ड की बैठकें, हाइब्रिड मॉडल की खबरें; ये ज़्यादातर स्थिर पेज होते हैं और आसानी से निकल आते हैं। सीरीज़ विंडो — लाइव कवरेज, मैच रिपोर्ट, बॉल-बाय-बॉल; यही सबसे बड़ा हिस्सा है और यही सबसे ज़्यादा जावास्क्रिप्ट में कैद है। सीरीज़-उपरांत — विश्लेषण, रिव्यू, टैक्टिकल पीस; फिर स्थिर पेज, फिर आसान एक्सट्रैक्शन।

अगर एक्सट्रैक्शन बीच के चरण में सबसे ज़्यादा फेल होता है, तो ट्रेंड लाइन दो शांत चरणों और एक अदृश्य चरण से बनती है। कवरेज का असली क्रिकेट मध्य ओवरों में होता है, और पाइपलाइन ठीक वहीं अंधी है। यह वैसा ही है जैसे किसी बल्लेबाज़ को सिर्फ़ पावरप्ले और प्रेस कॉन्फ्रेंस से आँका जाए, और बीच के बीस ओवर किसी ने देखे ही न हों।

इसका एक दूसरा असर है जो मैदान पर साफ़ दिखता है। जब मध्य चरण गायब हो, तो सीरीज़-पूर्व की प्रशासनिक खबरें कृत्रिम रूप से भारी हो जाती हैं। बोर्ड की बैठक, कार्यक्रम बदलना, हाइब्रिड मॉडल, वीज़ा और यात्रा की खबरें — ये सब कवरेज का ज़रूरी हिस्सा हैं, मगर उनका वज़न तब बढ़ जाता है जब मैदान की रिपोर्टिंग टेबल से बाहर रह जाए। पाठक को लगने लगता है कि एशियाई क्रिकेट में सब कुछ बोर्डरूम में तय होता है। सच यह है कि मैदान की कवरेज मापी ही नहीं गई, इसलिए वह हारी हुई दिखती है।

यह मेरे लिए नया निष्कर्ष नहीं है, बस नई जगह पर है। 2026 में जब मैंने खाली स्टेडियमों की टेप कोड की थीं, तब भी यही सबक निकला था: जो चीज़ माइक्रोफ़ोन से दूर है, वह मौजूद नहीं दिखती। खाली स्टेडियम हर आवाज़ को टैक्टिकल लीक बना देते हैं — यही बात एक फेल हुए स्क्रैपर पर भी लागू होती है। जहाँ माइक्रोफ़ोन नहीं, वहाँ टैग बोलने लगता है।

5. न्यूनतम स्कीमा: छह चीज़ें जो भार उठाती हैं

कोई भी पाइपलाइन तभी भरोसे लायक है जब वह कम से कम छह चीज़ें ज़रूर निकाले। शीर्षक — ताकि दस्तावेज़ की पहचान हो और डुप्लीकेट पकड़ में आए। स्रोत — ताकि आउटलेट-बायस का अनुमान लगे; बोर्ड-नज़दीक आउटलेट की खबर और स्वतंत्र रिपोर्टर की खबर एक तराजू पर नहीं तौली जाती। प्रकाशन तिथि — ताकि रिसेंसी का फ़ैसला हो सके; तारीख़ के बिना पुरानी खबर हमेशा ताज़ा लगती है। पेज टाइप — ताकि स्कोरकार्ड को लेख की तरह न गिना जाए। कम से कम तीन सूचना बिंदु — ताकि एंटिटी मैप और दावों की सूची बन सके। और एक डुप्लीकेट हैश — ताकि सिंडिकेटेड कॉपी तीन बार न गिनी जाए।

इनमें से जो सबसे ज़्यादा नज़रअंदाज़ होती है, वह है पेज टाइप। क्रिकेट में स्कोरकार्ड और मैच रिपोर्ट के बीच का फ़र्क़ वही है जो रेखागणित और टिप्पणी के बीच है। स्कोरकार्ड बताता है क्या हुआ; रिपोर्ट बताती है क्यों हुआ। दोनों को एक ही कॉलम में गिनना विश्लेषण नहीं, वॉल्यूम है।

और जो सबसे ज़्यादा महँगी होती है, वह है तारीख़। एक बार तारीख़ का कॉलम खाली रह जाए, तो उस पंक्ति को बाद में किसी भी हफ़्ते में डाला जा सकता है। यही वह जगह है जहाँ से नकली ट्रेंड शुरू होते हैं — किसी पुरानी खबर को नई सीरीज़ के साथ जोड़कर एक ऐसा चढ़ाव बना दिया जाता है जो कभी हुआ ही नहीं।

6. मेरा अपना जाँच-तरीक़ा: चौदह डायग्राम और 312 डेथ ओवर

जनवरी 2026, इंदौर। गुजरात ने रणजी फाइनल जीता और मैं घर लौटकर पार्थिव पटेल की फील्ड सेटिंग ब्रॉडकास्ट स्क्रीनशॉट से दोबारा बनाने बैठ गया। चौदह डायग्राम बने, और उनमें एक ही दलील थी — मुंबई ने खेल तीस गज के घेरे में हारा। उस सीज़न में समित गोहेल के 359 नॉट आउट ने सुर्खियाँ बटोरी थीं, और मेरे पहले डायग्राम उसी पारी के वैगन व्हील से शुरू हुए थे। मैंने वह व्हील नहीं बनाया जो सुंदर लगे; मैंने वह बनाया जो उस बॉल पर खड़ी फील्ड से मेल खाता हो।

यही मेरी प्राथमिक जाँच है। अगर कोई नक्शा किसी खास बॉल से नहीं जोड़ा जा सकता, तो वह विश्लेषण नहीं, सजावट है। उसी तर्क से अब मैं किसी भी कवरेज-डेटासेट को देखता हूँ: अगर किसी पंक्ति को किसी खास तारीख़ और खास पेज से नहीं जोड़ा जा सकता, तो वह पंक्ति आंकड़ा नहीं, भराव है।

2026 में रूस में वर्ल्ड कप चल रहा था और मैं फ्रांस-क्रोएशिया का मैच रोककर क्रोएशिया की कॉम्पैक्टनेस चार्ट कर रहा था। उसके बाद एक हफ़्ता मैंने प्रेसिंग ट्रिगर को क्रिकेट के पावरप्ले रिंग में उतारने में लगाया। 1,800 शब्द लिखे और पहली बार पैसे मिले। वह पीस एक जगह ग़लत थी, और मैंने खुद को सुधारा: क्रिकेट का तीस गज का घेरा प्रेसिंग लाइन नहीं है। क्रिकेट में ओवर की सीमा है और एक ओवर में एक ही गेंदबाज़; बल्लेबाज़ चाहे तो प्रेस को बिना कोई गेंद खोए रद्द कर सकता है। एकरूपता इसी बिंदु पर टूटती है, और अगर टुकड़ा उसी पीस में न लिखा जाए, तो तुलना सजावट बन जाती है।

2026 वर्ल्ड कप और यूएई में खेले गए आईपीएल की 312 डेथ ओवर मैंने कोड की थीं — स्लोअर बॉल का इस्तेमाल, यॉर्कर की लंबाई, और फील्ड में बदलाव। उस कोडिंग में सबसे भारी कॉलम फील्ड-चेंज लॉग था। उसके बिना यह दावा कि कप्तानों ने तीसरा मैन पहले ऊपर किया, याद बन जाता; उसके साथ वह माप बन गया। और चूँकि स्टेडियम खाली थे, स्टंप माइक पर फील्ड कॉल सुनाई दे रही थीं — यानी योजना कब बदली, यह भी दर्ज हो गया।

मगर यहीं एक जाल बिछा हुआ है जिसमें मैं खुद गिर चुका हूँ। हर मिसफील्ड और हर रन-आउट को आवाज़ की कहानी बना देना आसान है। सही तरीक़ा यह है कि पहले पूछो — यह संचार की ग़लती है या तैनाती की? अगर फील्डर ग़लत जगह खड़ा था, तो शोर कहानी नहीं है। यही सवाल इस पूरे डेटा-मामले पर लागू होता है। स्क्रैपर जावास्क्रिप्ट वाली सामग्री के लिए तैनात ही नहीं था — यह तैनाती की ग़लती है, संचार की नहीं। शोर पर इल्ज़ाम लगाना बंद करो।

एक बात साफ़ कर दूँ, क्योंकि तुलना का अपना नियम है: स्क्रैपर कोच नहीं है। कोच ड्रिल दोबारा करा सकता है और खिलाड़ी सुधर जाता है। स्क्रैपर की चूक उस एक दस्तावेज़ के लिए स्थायी होती है और चुपचाप गुज़र जाती है। इसीलिए यहाँ लागू तुलना यह है — एक फॉलबैक टैग ऐसा बाज़ार है जो दूसरों के लिए खुला है। हर डाउनस्ट्रीम टीम उससे अपनी ज़रूरत का माल उठा लेती है, और कोई रसीद नहीं माँगता।

कंट्रेरियन: ग़लती खाली सेल नहीं, रुकने की हालत का न होना है

आसान निष्कर्ष यह है कि एक्सट्रैक्शन फेल हुआ, इसलिए विश्लेषण नहीं हुआ, और बात ख़त्म। मैं इसे अधूरा मानता हूँ। असली खामी यह है कि सिस्टम के पास खाली होने की हालत तो मौजूद है, मगर रुक जाने की हालत नहीं। छह कॉलम में N/A लिखा जा सकता है; सातवाँ कॉलम — टैग — फिर भी आगे चला जाता है। यह एक्सट्रैक्शन की ग़लती नहीं, दो चरणों के जोड़ की ग़लती है।

यह ग़लती कभी सुर्खियाँ नहीं बनती, क्योंकि इससे कुछ टूटता नहीं — कुछ जुड़ता है। एक खाली दस्तावेज़ एक भरे हुए टैग के साथ मिलकर ऐसा रिकॉर्ड बना देता है जिसे किसी डैशबोर्ड पर देखकर लगता है कि काम हुआ है। मीडिया-मॉनिटरिंग का बाज़ार वॉल्यूम इंडेक्स पर चलता है, और वॉल्यूम इंडेक्स डिफ़ॉल्ट लेबल से कभी नाराज़ नहीं होता। फॉलबैक टैग की लागत शून्य है और उसका लाभ दिखावटी है, इसीलिए वह टिका हुआ है।

इसका एक साफ़ परीक्षण मौजूद है। किसी भी पाइपलाइन को एक ज्ञात-सही लेख दो — शीर्षक, स्रोत, तारीख़ और तीन सूचना बिंदु सब पता हों — और देखो कि वह उसे उसी शक्ल में लौटाती है या नहीं। अगर वह ज्ञात-सही इनपुट भी नहीं उठा पाती, तो उसके एशिया-क्रिकेट आंकड़े ट्रेंड नहीं, अंदाज़ा हैं, और उन्हें क्वारंटीन में रखा जाना चाहिए।

टेकअवे: अगली बार इसी बॉल पर जाँचना

अगले सप्ताह जब यह शीट फिर खुले, मेरा पहला सवाल वॉल्यूम का नहीं होगा। मैं एक ही पंक्ति उठाऊँगा और पूछूँगा: इसका पेज टाइप क्या था, तारीख़ क्या थी, और क्या इसे उस बॉल तक ले जाया जा सकता है जिस पर यह पैदा हुआ। जो टैग खुद को साबित नहीं कर सकता, वह ट्रेंड में जगह नहीं माँग सकता। बाक़ी सब उसी एक खाली सेल का इंतज़ार कर रहा है।