Zdraví zdrojů hlídač změn CMS / URL schématu
Deterministická kontrola (bez AI), že u každého webu pořád platí, podle čeho poznáváme článek. Když web změní systém, projeví se to tady dřív, než z toho vzniknou duplicity nebo nám články utečou. Prahy: extrakce ID < 50% nebo mrtvá sekce = alert.
zablokováno: 1 alert: 0 warn: 0 ok: 17
| zdroj | stav | článků | ID% | dup dle ID | shodný text | nových/24h | bez textu | medián slov | poznámky | |
|---|---|---|---|---|---|---|---|---|---|---|
 ceskenoviny |
Zablokováno vydavatelem | 1158 | České noviny (ČTK) zablokovaly náš přístup — neunesly kritiku a nezávislý dohled nad tím, jak rámují zprávy. Šly tvrdě: firewall na naši IP (zbytek světa je vidí normálně) + v robots.txt navíc vylučují AI boty. Historická data zůstávají k analýze; nové nepřibývají, dokud se nedomluvíme na podmínkách. | |||||||
 aktualne |
ok | 5273 | 100% | 50 | 33 | 0% | 438 | 50 článků se shodným textem (boilerplate/ČTK) | ||
 cnnprima |
ok | 5550 | 100% | 48 | 0% | 369 | ||||
 ct24 |
ok | 4327 | 100% | 41 | 20 | 424 | 41 článků se shodným textem (boilerplate/ČTK) | |||
 denik |
ok | 4866 | — | 188 | 0 | 0% | 407 | 188 článků se shodným textem (boilerplate/ČTK) | ||
 denikn |
ok | 2433 | 100% | 2 | 8 | 0% | 831 | 2 článků se shodným textem (boilerplate/ČTK) | ||
 denikto |
ok | 1862 | — | 9 | 0% | 520 | ||||
 e15 |
ok | 2307 | 100% | 4 | 10 | 506 | 4 článků se shodným textem (boilerplate/ČTK) | |||
 echo24 |
ok | 3988 | 100% | 38 | 388 | |||||
 forum24 |
ok | 4466 | — | 33 | 0% | 402 | ||||
 hn |
ok | 3039 | 100% | 7 | 0% | 643 | ||||
 idnes |
ok | 16740 | 100% | 16 | 98 | 1% | 392 | 16 článků se shodným textem (boilerplate/ČTK) | ||
 irozhlas feed |
ok | 1115 | — | 0 | 3% | 322 | ||||
 lidovky |
ok | 5173 | 100% | 6 | 22 | 0% | 385 | 6 článků se shodným textem (boilerplate/ČTK) | ||
 novinky |
ok | 13034 | 100% | 4 | 74 | 0% | 266 | 4 článků se shodným textem (boilerplate/ČTK) | ||
 parlamentnilisty |
ok | 2156 | 100% | 362 | 1 | 0% | 482 | 362 článků se shodným textem (boilerplate/ČTK) | ||
 reflex |
ok | 1287 | 100% | 8 | 7 | 585 | 8 článků se shodným textem (boilerplate/ČTK) | |||
 seznamzpravy |
ok | 8501 | 92% | 668 | 44 | 2% | 477 | 668 článků se shodným textem (boilerplate/ČTK) | ||
Zdroje bez ID v URL (denik, forum24, denikto) mají ID% „—" — identitu je u nich potřeba dolovat ze stránky (canonical / og:url / JSON-LD). „shodný text" = různé články se shodným extrahovaným textem (boilerplate / agenturní přetisk). Zdroje označené feed jsou externě sycené (iROZHLAS) — data dostáváme přes ingest, takže u nich nehlídáme URL/ID schéma (to je věc původního crawleru), jen jestli feed pořád dodává čerstvé články.