खाली स्कोरशीट के पीछे: जब डेटा पाइपलाइन चुप हो जाती है, तो क्रिकेट रिपोर्टिंग का सच कैसे सामने आता है

उप्पल की नेट सेशन वाली गली में उस दोपहर एक अजीब चीज़ हुई। मैं पिछले चार दिनों से स्टेज-1 के डेटा आउटपुट को खोल रहा था — वही एक्सट्रैक्शन स्क्रिप्ट जो हमारे डेस्क पर हर सुबह एशिया कप से जुड़ी खबरों को साफ़ करके सामने रखती है। स्क्रीन पर टेबल थी, लेकिन टेबल के अंदर कुछ नहीं था। आर्टिकल टाइटल: N/A। सोर्स: N/A। टाइप: Unclassified। इनफॉर्मेशन पॉइंट्स की लिस्ट खाली। सिर्फ़ एक सिग्नल ज़िंदा था — Domain Label: cricket_asia।

यह वह पल था जब मुझे एहसास हुआ कि यह खबर नहीं है, यह खबर का अभाव है। और मेरे पेशे में अभाव भी रिपोर्ट करने लायक चीज़ है। मैंने 2026 के वानखेड़े कॉरिडोर में सीखा था कि हारने वाली ड्रेसिंग रूम की खामोशी उतनी ही बोलती है जितनी जीत की शोरगुल। 2026 के यूएई बुलबुले में खाली ज़ायद स्टेडियम में बल्ले का किनारा ऊपरी टियर से टकराकर लौटता था — वह गूंज भी एक डेटा पॉइंट थी। आज मेरे सामने जो खाली स्क्रीन है, वह उसी गूंज का डिजिटल रूप है। मैं ट्रेनिंग ग्राउंड को उस तरह पढ़ता हूँ जैसे दूसरे शीट म्यूजिक पढ़ते हैं — और यहाँ शीट पर कोई नोट ही नहीं छपा था।

इस खालीपन को समझने के लिए पहले यह समझना ज़रूरी है कि यह पाइपलाइन असल में करती क्या है। हमारे न्यूज़रूम में स्टेज-1 का काम सिर्फ़ कॉपी-पेस्ट नहीं है। यह एक तीन-लेयर वाली प्रक्रिया है: पहला, सोर्स डिस्कवरी — कौन सी वेबसाइट, कौन सा फीड, कौन सा बोर्ड प्रेस रिलीज़ आज स्कैन होगा। दूसरा, कंटेंट एक्सट्रैक्शन — पेज के HTML से टाइटल, बॉडी, बायलाइन, टाइमस्टैम्प और एंटिटीज़ (टीम, खिलाड़ी, टूर्नामेंट) निकालना। तीसरा, क्लासिफिकेशन — यह तय करना कि खबर प्री-मैच है, पोस्ट-मैच है, सिलेक्शन है, इंजरी अपडेट है या बोर्ड की राजनीति। जब तीनों में से पहली दो लेयर काम करना बंद कर दें, तो तीसरी लेयर के पास बैठने की जगह ही नहीं बचती।

यही इस रिपोर्ट का कोर सबक है: क्रिकेट डेटा पाइपलाइन की सबसे बड़ी कमज़ोरी तीसरी लेयर में नहीं, पहली लेयर में है — जब सोर्स पेज का ढाँचा बदलता है, तो पूरा विश्लेषण ढह जाता है, चाहे स्क्रिप्ट कितनी भी स्मार्ट हो। मैंने पिछले छह सालों में तीन बार यह देखा है। 2026 में एक बड़े क्रिकेट पोर्टल ने अपना स्कोरकार्ड पेज JavaScript पर शिफ्ट किया — हमारी स्क्रैपर को दिखा सिर्फ़ एक खाली div। 2026 में एक एशियाई बोर्ड ने अपनी प्रेस रिलीज़ PDF से HTML पर लाई, और हमारी एंटिटी एक्सट्रैक्शन तीन हफ़्ते तक अंधी रही। 2026 में क्लाउडफ्लेयर की बॉट-प्रोटेक्शन ने कई फीड्स को रोक दिया। हर बार वही पैटर्न — ऊपर के लोग कहते हैं "डेटा नहीं आया", और नीचे बैठा रिपोर्टर जानता है कि डेटा आया था, बस उसे पकड़ने वाला हाथ फिसल गया।

इस ख़ास केस में तीन चीज़ें साफ़ हैं। पहली, सिग्नल का बचना — Domain Label: cricket_asia — बताता है कि क्लासिफायर तो चला था। यानी सोर्स डिस्कवरी लेयर ने कुछ तो पकड़ा। लेकिन जब टाइटल N/A है और सोर्स N/A है, तो इसका मतलब है कि पेज का बॉडी कंटेंट पार्स ही नहीं हुआ। यह ठीक वैसा है जैसे कोई स्कोरकार्ड आपके हाथ में आए जिस पर सिर्फ़ टीम के नाम छपे हों और बाकी सब खाली हो। दूसरी, एंटिटी लिस्ट में लिखा था "ऊपर के इनफॉर्मेशन पॉइंट्स से पहचानें" — लेकिन ऊपर कोई इनफॉर्मेशन पॉइंट ही नहीं था। यह सर्कुलर डिपेंडेंसी है, वही गोल-गोल घूमने वाला लॉजिक जो रिपोर्टिंग में कभी नहीं चलता। तीसरी, Time Sensitivity "मूल्यांकित नहीं" है — यानी सिस्टम को यह भी नहीं पता कि यह खबर आज की है या तीन दिन पुरानी। एक क्रिकेट रिपोर्टर के लिए यह जानना उतना ही ज़रूरी है जितना यह जानना कि मैच किस पारी में है।

मुझे यह समझने में ज़्यादा समय नहीं लगा कि यहाँ असली गड़बड़ कहाँ है। इस तरह के आउटपुट का मतलब हमेशा यही होता है कि सोर्स पेज का DOM स्ट्रक्चर बदल गया है और हमारे सिलेक्टर्स पुराने पते पर चिट्ठी भेज रहे हैं। मेरे अनुभव में तीन सबसे आम वजहें हैं, और इन्हें पहचानना हर क्रिकेट डेस्क के लिए ज़रूरी है। पहली — JS-रेंडरिंग: आज के ज़्यादातर बोर्ड और फ्रैंचाइज़ी साइट्स React या Vue पर बने हैं। जब आप उन्हें सीधे requests से खींचते हैं, तो आपको वह शेल मिलता है जो सर्वर भेजता है, वह कंटेंट नहीं जो ब्राउज़र बनाता है। स्क्रैपर को लगता है पेज खाली है, जबकि असल में पेज बाद में भरता है। दूसरी — एन्कोडिंग: एशियाई बोर्ड्स की साइट्स पर अक्सर मिक्स्ड एन्कोडिंग मिलती है। जब UTF-8 और ISO-8859-1 आपस में उलझते हैं, तो हिंदी या उर्दू कमेंट्री वाली लाइनें गार्बल बन जाती हैं और एक्सट्रैक्टर उन्हें रिजेक्ट कर देता है। तीसरी — एंटी-बॉट: मैच के दिन ट्रैफ़िक स्पाइक के चलते साइट्स बॉट-चेक लगा देती हैं, और हमारा स्क्रैपर 403 पर अटक जाता है।

लेकिन यहाँ मैं एक अलग बात कहना चाहता हूँ, जो पॉपुलर नैरेटिव से उलटी है। पॉपुलर नैरेटिव यह है कि डेटा पाइपलाइन टूटने पर रिपोर्टिंग रुक जाती है। मेरा अनुभव कहता है कि असली नुकसान रुकने में नहीं, बल्कि "भरने" में होता है। जब सिस्टम खाली आउटपुट देता है, तो दबाव पड़ता है कि कुछ तो भेजो। और तब शुरू होती है वह प्रक्रिया जिसे मैं "डेटा-शेप्ड अंदाज़ा" कहता हूँ — पुराने स्कोरकार्ड से, किसी पुराने ट्वीट से, या सिर्फ़ "सूत्रों के हवाले से" कुछ जोड़ देना। मैंने अपने करियर में ऐसे दर्जनों आर्टिकल देखे हैं जिनमें स्कोरकार्ड का डेटा तो सही था, लेकिन टाइमस्टैम्प गलत था — और पाठक को यह पता ही नहीं चला कि उसे तीन दिन पुरानी खबर आज की बताकर परोसा गया।

यह मुझे रेफरी और VAR की उस पुरानी बहस तक ले जाता है जिस पर मैं सालों से लिखता आया हूँ। स्टेडियम में मौजूद दर्शक को जब कोई निर्णय समझाया नहीं जाता, तो वह अपने हिसाब से मत बना लेता है। ठीक वही बात डेटा पाइपलाइन पर लागू होती है। जब आउटपुट N/A दिखाता है और कोई यह नहीं बताता कि N/A क्यों है, तो हर रिपोर्टर अपनी थ्योरी बना लेता है। पारदर्शिता नारा बनकर रह जाती है। मैंने उस दिन अपने डेस्क पर एक सवाल लिखा था: "क्या हम पाठकों को यह बताने को तैयार हैं कि हमारी तकनीक कब चुप हो जाती है?" जवाब मिला था — नहीं। और यही सबसे बड़ी विडंबना है। हम खिलाड़ियों की गलतियों पर लिखते हैं, कोच की रणनीति पर सवाल उठाते हैं, चयन समिति को घेरते हैं, लेकिन अपनी खुद की उस मशीनरी के बारे में कभी नहीं लिखते जो हमें खबरें देती है।

इस खाली स्क्रीन के चलते मुझे एक और चीज़ याद आई। मार्च 2026 में जब कैलेंडर अंधेरा हो गया था, तब भी ऐसा ही खालीपन था — हर फीड खाली, हर स्कोरकार्ड "रद्द"। उस वक़्त मैंने 34 फ्रीलांस क्रिकेट राइटर्स का एक व्हाट्सएप ग्रुप बनाया था और "पिचसाइड" सीरीज़ शुरू की थी, जिसने चार महीनों में 26 लोगों को आमदनी लौटाई। वहाँ यह सीख मिली कि जब सिस्टम खाली जगह छोड़ता है, तो ज़िम्मेदारी इंसान पर आ जाती है — और यही जगह असली पत्रकार का काम शुरू होता है। इसलिए इस बार जब स्टेज-1 ने खाली आउटपुट दिया, तो मैंने सबसे पहले वही किया जो 2026 में किया था: ग्रुप में सवाल पूछा — क्या किसी और के पास भी यही आउटपुट है? पता चला दो और लोगों के पास भी यही N/A है। यानी यह मेरे डेस्क की गड़बड़ नहीं, पूरी पाइपलाइन की गड़बड़ है। तीन लोगों के मिलने से एक बात साफ़ हो गई कि हमें पहले सोर्स को ठीक करना होगा, आउटपुट को नहीं।

अब इस काम का अगला कदम। मैंने उस दोपहर अपनी नोटबुक में तीन चीज़ें लिखीं जो हर क्रिकेट डेस्क को करनी चाहिए। पहली — हर सोर्स के लिए एक हेल्थ-चेक: हफ़्ते में एक बार एक नमूना URL खींचकर देखें कि टाइटल आ रहा है या नहीं। अगर नहीं, तो स्क्रैपर नहीं, सोर्स बदला है। दूसरी — हर आउटपुट में एक "कॉन्फिडेंस फ़्लैग": अगर इनफॉर्मेशन पॉइंट्स ज़ीरो हैं, तो सिस्टम खुद "अपूर्ण" लिखे, चुप न रहे। तीसरी — एक फ़ॉलबैक हैंडलर: जब ऑटोमेटेड एक्सट्रैक्शन फेल हो, तो मैन्युअल सोर्स से भरने की व्यवस्था हो, न कि खाली छोड़ने की। यह तीनों चीज़ें सिर्फ़ टेक्निकल नहीं हैं, ये पत्रकारिता की बुनियादी ईमानदारी का हिस्सा हैं।

जब मैं उस दिन उप्पल की गली से वापस लौटा, तो शाम हो चुकी थी। नेट्स पर कोई नहीं था, बस एक रोशनी जल रही थी। मुझे अपनी लंबी बीट याद आई — 41 साल की उम्र में, 25 साल के अनुभव के साथ, मैं अब भी हर सुबह यही सवाल पूछता हूँ कि मैं किस चीज़ पर भरोसा कर रहा हूँ। डेटा पर? टेक्नोलॉजी पर? या उस इंसान पर जो उस डेटा के पीछे बैठा है? हर कमबैक की शुरुआत किसी के अगली ताल को जल्दबाज़ी में न बजाने से होती है — और हमारी डेटा पाइपलाइन का कमबैक भी इसी सब्र से शुरू होगा। सवाल सिर्फ़ इतना है — क्या हम अपनी मशीनों को उतनी ही ईमानदारी से पढ़ने को तैयार हैं जितनी ईमानदारी से हम खिलाड़ियों की बल्लेबाज़ी पढ़ते हैं?