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 | 4951 | 100% | 48 | 33 | 0% | 438 | 48 článků se shodným textem (boilerplate/ČTK) | ||
 cnnprima |
ok | 5243 | 100% | 33 | 0% | 369 | ||||
 ct24 |
ok | 4091 | 100% | 48 | 21 | 0% | 424 | 48 článků se shodným textem (boilerplate/ČTK) | ||
 denik |
ok | 4866 | — | 188 | 0 | 0% | 407 | 188 článků se shodným textem (boilerplate/ČTK) | ||
 denikn |
ok | 2297 | 100% | 2 | 10 | 0% | 709 | 2 článků se shodným textem (boilerplate/ČTK) | ||
 denikto |
ok | 1721 | — | 12 | 0% | 513 | ||||
 e15 |
ok | 2197 | 100% | 4 | 10 | 506 | 4 článků se shodným textem (boilerplate/ČTK) | |||
 echo24 |
ok | 3758 | 100% | 27 | 389 | |||||
 forum24 |
ok | 4214 | — | 30 | 0% | 402 | ||||
 hn |
ok | 2851 | 100% | 11 | 0% | 643 | ||||
 idnes |
ok | 15838 | 100% | 14 | 99 | 0% | 393 | 14 článků se shodným textem (boilerplate/ČTK) | ||
 irozhlas feed |
ok | 1115 | — | 0 | 3% | 322 | ||||
 lidovky |
ok | 4922 | 100% | 6 | 43 | 0% | 384 | 6 článků se shodným textem (boilerplate/ČTK) | ||
 novinky |
ok | 12215 | 100% | 4 | 69 | 0% | 266 | 4 článků se shodným textem (boilerplate/ČTK) | ||
 parlamentnilisty |
ok | 2138 | 100% | 348 | 2 | 0% | 478 | 348 článků se shodným textem (boilerplate/ČTK) | ||
 reflex |
ok | 1215 | 100% | 8 | 9 | 576 | 8 článků se shodným textem (boilerplate/ČTK) | |||
 seznamzpravy |
ok | 8055 | 92% | 668 | 59 | 3% | 473 | 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.