Cantieri aperti: differenze tra le versioni - Wiki Progetto di Ricerca Metodo Paret

Riga 8:

== Cantieri attivi ==

=== censimento-biblioteca ===

''Aggiornato 2026-09-16 22:50 UTC'' — dominio: biblioteca

''Aggiornato 2026-09-16 23:14 UTC'' — dominio: biblioteca

; Obiettivo : Censimento completo Biblioteca Magnetica: megaindice con metadati, indice e prime pagine per ogni libro, dedup, collegamento Crabtree

Riga 15:

* corpus_meta/corpus_meta2 tabelle di passaggio. Piano censimento-biblioteca (SQL in /home/claudeuser/censimento_bib/): catalogo_struttura + v_catalogo + riepilogo.csv, job censimento-biblioteca_run2. Il corpus ha perso i confini di pagina (form feed solo su 6258 doc): prime-10-pagine/pagine-bianche vanno fatte sui PDF Drive.

* v_catalogo (megaindice) + catalogo_struttura con sha_testo (494 famiglie di duplicati esatti, 1271 doc) + catalogo_crabtree_match (600 voci Crabtree agganciate, 289 forti). prime_pagine.py (scripts/) legge le prime 10 pagine dei PDF da Drive in streaming: pilota 100 ok, corsa completa job censimento-biblioteca_prime_pagine_full -> biblioteca.prime_pagine (stato in censimento_bib/prime_pagine_state.json, riprende da solo). Trovati 45 doc_id doppi in corpus (17695 righe, 17650 distinti).

* v_catalogo + catalogo_struttura (sha_testo: 494 famiglie dup esatti) + catalogo_crabtree_match (600 Crabtree agganciati). prime_pagine.py: PDF Drive (5154, job _prime_pagine_full). prime_pagine_fonti.py: archive.org via _djvu.xml, IAPSOP via URL archive/materials/{rivista}/{file}, Gallica via f1n10.pdf a 12s (429=ritenta): jobs _prime_pagine_ia/_iapsop/_gallica, tutti su biblioteca.prime_pagine, stato in censimento_bib/prime_pagine_*_state.json. Non coperti: Wellcome (428), Gallica sul PC di Marco.

; Prossimo passo :

* AUTO: python3 /home/claudeuser/scripts/job.py --status censimento-~~biblioteca_prime_pagine_full~~

* AUTO: python3 /home/claudeuser/scripts/job.py --status censimento-biblioteca_prime_pagine_ia

* AUTO ~~se caduto~~: python3 /home/claudeuser/scripts/job.py --~~run "~~python3 /home/claudeuser/scripts/~~prime_pagine~~.py" --id censimento-~~biblioteca_prime_pagine_full2~~

* AUTO: python3 /home/claudeuser/scripts/job.py --status censimento-biblioteca_prime_pagine_iapsop

* a ~~corsa finita~~: regex frontespizio su prime_pagine.testo_frontespizio ~~(autore/titolo/anno/editore/luogo deterministici) e classificazione~~ strutture editoriali per epoca

* AUTO: python3 /home/claudeuser/scripts/job.py --status censimento-biblioteca_prime_pagine_gallica

* DeepSeek diretto ~~solo~~ sui ~~doc con~~ meta_status NULL restanti (~~circa~~ 7 USD, ~~serve~~ via di Marco)

* job caduto: rilanciare stesso comando con id _2 (riprende dallo stato)

* dedup ~~dei~~ 45 doc_id doppi in corpus

* a corse finite: regex frontespizio su prime_pagine.testo_frontespizio + strutture editoriali per epoca

* Wellcome via IIIF

* DeepSeek diretto sui meta_status NULL restanti (~7 USD, via di Marco)

* dedup 45 doc_id doppi in corpus

=== chat-s20260908-dipisafermo-1ol47hs ===

@@ Riga 8: / Riga 8: @@
 == Cantieri attivi ==
 === censimento-biblioteca ===
-''Aggiornato 2026-09-16 22:50 UTC'' &mdash; dominio: biblioteca
+''Aggiornato 2026-09-16 23:14 UTC'' &mdash; dominio: biblioteca
 ; Obiettivo : Censimento completo Biblioteca Magnetica: megaindice con metadati, indice e prime pagine per ogni libro, dedup, collegamento Crabtree
@@ Riga 15: / Riga 15: @@
 * corpus_meta/corpus_meta2 tabelle di passaggio. Piano censimento-biblioteca (SQL in /home/claudeuser/censimento_bib/): catalogo_struttura + v_catalogo + riepilogo.csv, job censimento-biblioteca_run2. Il corpus ha perso i confini di pagina (form feed solo su 6258 doc): prime-10-pagine/pagine-bianche vanno fatte sui PDF Drive.
 * v_catalogo (megaindice) + catalogo_struttura con sha_testo (494 famiglie di duplicati esatti, 1271 doc) + catalogo_crabtree_match (600 voci Crabtree agganciate, 289 forti). prime_pagine.py (scripts/) legge le prime 10 pagine dei PDF da Drive in streaming: pilota 100 ok, corsa completa job censimento-biblioteca_prime_pagine_full -> biblioteca.prime_pagine (stato in censimento_bib/prime_pagine_state.json, riprende da solo). Trovati 45 doc_id doppi in corpus (17695 righe, 17650 distinti).
+* v_catalogo + catalogo_struttura (sha_testo: 494 famiglie dup esatti) + catalogo_crabtree_match (600 Crabtree agganciati). prime_pagine.py: PDF Drive (5154, job _prime_pagine_full). prime_pagine_fonti.py: archive.org via _djvu.xml, IAPSOP via URL archive/materials/{rivista}/{file}, Gallica via f1n10.pdf a 12s (429=ritenta): jobs _prime_pagine_ia/_iapsop/_gallica, tutti su biblioteca.prime_pagine, stato in censimento_bib/prime_pagine_*_state.json. Non coperti: Wellcome (428), Gallica sul PC di Marco.
 ; Prossimo passo :
-* AUTO: python3 /home/claudeuser/scripts/job.py --status censimento-biblioteca_prime_pagine_full
+* AUTO: python3 /home/claudeuser/scripts/job.py --status censimento-biblioteca_prime_pagine_ia
-* AUTO se caduto: python3 /home/claudeuser/scripts/job.py --run "python3 /home/claudeuser/scripts/prime_pagine.py" --id censimento-biblioteca_prime_pagine_full2
+* AUTO: python3 /home/claudeuser/scripts/job.py --status censimento-biblioteca_prime_pagine_iapsop
-* a corsa finita: regex frontespizio su prime_pagine.testo_frontespizio (autore/titolo/anno/editore/luogo deterministici) e classificazione strutture editoriali per epoca
+* AUTO: python3 /home/claudeuser/scripts/job.py --status censimento-biblioteca_prime_pagine_gallica
-* DeepSeek diretto solo sui doc con meta_status NULL restanti (circa 7 USD, serve via di Marco)
+* job caduto: rilanciare stesso comando con id _2 (riprende dallo stato)
-* dedup dei 45 doc_id doppi in corpus
+* a corse finite: regex frontespizio su prime_pagine.testo_frontespizio + strutture editoriali per epoca
+* Wellcome via IIIF
+* DeepSeek diretto sui meta_status NULL restanti (~7 USD, via di Marco)
+* dedup 45 doc_id doppi in corpus
 === chat-s20260908-dipisafermo-1ol47hs ===