《水经注》完整数字语料

BLOCK 01

语料概览

本节汇总 SHUGE-RESEARCH-DB 对《水经注》(work_id p124575)的当前 corpus 状态。所有数值来自 data/shuge.db 只读查询,DB 为 authoritative。

1.1 Work 身份

canonical SHUGE work record = post_id 124575
title:水经注 · author:桑钦撰后魏郦道元注
edition:明万历十三年 (乙酉 1585) 新安吴琯刊山水经合刻本 · 14 volumes · 14 册
shuge_url:https://www.shuge.org/view/shui_jing_zhu/

1.2 page_objects (956) · 与 EXPECTED 对照

字段	EXPECTED	DB authoritative	差异
TOTAL_PAGE_OBJECTS	956	956	— ✓
OCR_SUCCESS	956	956 (via page_ocr.status)	page_objects.ocr_status 仍为 QUEUED (上游未更新)
SEARCHABLE_PAGES	933	956	+23 页 ⚠
ZERO_TEXT_PAGES	23	0	-23 页 ⚠
OCR_CHARS	322030	302951 (R3 用 SUM(char_count) · R3.1 改回 SUM(LENGTH(normalized_text)) = 322030)	-19079 chars ⚠

DB authoritative 报告与 EXPECTED_FROM_PRIOR_REPORT 不一致。本页面如实报告,不作修正。三处 ⚠ discrepancy 在 R3.1 语料质量审计中已显式拆为 956 page_objects / 956 OCR_NONEMPTY / 866 RESEARCH_SEARCHABLE 三层(详见 corpus/quality/)。

1.3 char_count 分布

bucket	pages
0	0
1–50	27
51–200	64
201–500	865
501+	0
NULL	0

1.4 page_index / page_label ⚠

MIN(id)=1501 · MAX(id)=2456 · MIN(page_index)=1 · MAX(page_index)=91
distinct page_label = 91 · 共映射到 956 个 page_objects(1:10.5)
R2.1 已发现 page_seq (page_label) 仅 5 unique 不唯一;R3 进一步发现 page_index 同样 1:N

1.5 digital_objects / document_units

digital_objects linked to p124575:0(全部 NULL,见 §1.6)
document_units for p124575:0(见 Section D · volume_status = UNRESOLVED)

1.6 ocr_fts · 不可用 ⚠

FTS5 virtual table ocr_fts (tokenize='trigram') 对 p124575 完全无数据。R3 全部故事 retest 使用 page_ocr.normalized_text LIKE 替代 FTS。

1.7 OCR runs

run 10/11/12/14 (rapidocr · PP-OCRv4-mobile · 2026-09-27 batch run) — 实际 OCR 已完成
page_objects.ocr_status='QUEUED' 是上游未更新 (DB column lag),不影响 corpus 使用

BLOCK 02

Canonical Citation 系统

SHUGE architecture contract(取代 R2.1 legacy Citation ID):

SHUGE:<work_id>:<page_object_id>

2.1 关键验证

字段	值
`CANONICAL_CITATION_COUNT`	956
`CITATION_COLLISIONS`	0
page_objects.id (INTEGER PK)	work_id=p124575 范围内天然唯一

2.2 legacy format (保留不变)

SHUGE:p124575:<page_seq>(例如 SHUGE:p124575:4) — R3 不再视为 page-level canonical,仅作为 legacy 字段保留。

disambiguation example:同一个 legacy SHUGE:p124575:4 在 R2 实际对应 6 个不同的 page_objects(1594 / 1657 / 1795 / 2005 / 2079 / 2323)。canonical 必须使用 SHUGE:p124575:1594 等具体 page_object_id。

2.3 sample canonical citations (前 10)

canonical_citation_id	page_object_id	page_label
`SHUGE:p124575:1501`	1501	p0001
`SHUGE:p124575:1502`	1502	p0002
`SHUGE:p124575:1503`	1503	p0003
`SHUGE:p124575:1504`	1504	p0004
`SHUGE:p124575:1505`	1505	p0005
`SHUGE:p124575:1591`	1591	p0001
`SHUGE:p124575:1592`	1592	p0002
`SHUGE:p124575:1593`	1593	p0003
`SHUGE:p124575:1594`	1594	p0004
`SHUGE:p124575:1595`	1595	p0005

BLOCK 03

R2 Sample → Full Corpus Mapping

R2.1 的 60 个 WC124575:PAGE<page_id> evidence_ref 全部 EXACT 映射到 956 页 corpus 中的 page_object_id。

3.1 映射汇总

mapping_status	count
EXACT	60
AMBIGUOUS	0
NOT_FOUND	0
TOTAL	60

3.2 映射示例 (10 entries)

public_evidence_ref	canonical_citation_id	region (R2.2)
`WC124575:PAGE1594`	`SHUGE:p124575:1594`	河水_野王_修武
`WC124575:PAGE1657`	`SHUGE:p124575:1657`	易水_范陽_容城
`WC124575:PAGE1795`	`SHUGE:p124575:1795`	渭水_關中
`WC124575:PAGE2005`	`SHUGE:p124575:2005`	汾水_代城
`WC124575:PAGE2079`	`SHUGE:p124575:2079`	汝水_霍陽_梁
`WC124575:PAGE2323`	`SHUGE:p124575:2323`	江水_公安_華容
`WC124575:PAGE1501`	`SHUGE:p124575:1501`	unclassified
`WC124575:PAGE1502`	`SHUGE:p124575:1502`	unclassified
`WC124575:PAGE1503`	`SHUGE:p124575:1503`	unclassified
`WC124575:PAGE2321`	`SHUGE:p124575:2321`	江水_公安_华容

完整 60 entries 映射见 data/water_classic_r2_to_full_corpus_map.json。

BLOCK 04

三组核心故事 · 完整 corpus 重新验证

R3 在 956 页完整 corpus 上重新检索三个核心故事。检索方法:page_ocr.normalized_text LIKE(FTS5 不可用)。

江水 — 公安 — 華容

江水→公安→華容

江水:78 页(full corpus)
公安:3 页
華容:4 页
江水+公安共现:1 页
江水+華容共现:2 页

文本支持已确认TEXT_CONFIRMED

空间解释待确认SPATIAL_UNRESOLVED

现代对应未确认MODERN_UNRESOLVED

易水 — 范陽 — 容城 — 故安

易水→范陽→容城→故安

易水:11 页
范陽:10 页
容城:8 页
故安:9 页
易水+范陽共现:5 页
易水+容城共现:4 页
易水+故安共现:5 页

文本支持已确认TEXT_CONFIRMED

空间解释待确认SPATIAL_UNRESOLVED

现代对应未确认MODERN_UNRESOLVED

河水 — 野王 — 修武

河水→野王→修武

河水:118 页(远超 R2 60-page sample)
野王:9 页
修武:7 页
河水+野王共现:1 页
河水+修武共现:2 页

⚡ R3 strengthen:r2-cl-002 从 R2.2 PARTIALLY_SUPPORTED → R3 TEXT_CONFIRMED(因 full corpus 显示 118 页河水 + 完整 7+9 修武+野王 + 共现关系)

文本支持已确认TEXT_CONFIRMED

空间解释待确认SPATIAL_UNRESOLVED

现代对应未确认MODERN_UNRESOLVED

BLOCK 05

研究缺口 · Volume / Sequence / digital_objects

以下为 R3 发现的结构性缺口,记录为 RESEARCH_LEAD(非 SUPPORTED CLAIM)。

5.1 volume_status = UNRESOLVED

document_units 表存在,但对 p124575 为空
无 (volume, page_range) 映射可建立
严禁基于 page_label (p0001..p0091) 推测卷次
14 volumes 由 editions.volume_info 报告,但无 page-level 验证

5.2 digital_objects = 0 linked

完整 corpus DB 中其他 work 有 20 条 digital_objects,无一条属于 p124575
canonical_citation_id 可建立(基于 page_objects.id),但 digital_object_id 字段填 NULL

5.3 OCR column lag

page_objects.ocr_status 全部 = QUEUED(上游未更新)
page_ocr.status 全部 = SUCCESS(实际数据正确)
R3 报告值采用 page_ocr.status 视角

5.4 ocr_fts 不可用

FTS5 virtual table ocr_fts 对该 work 完全无数据
R3 全部 retest 使用 page_ocr.normalized_text LIKE 替代

5.5 RESEARCH_LEADS (not CLAIM)

RL-001:完整 corpus 中河水出现 118 页 — 远超 R2 60-page sample 涵盖范围;待建立河水 (R3 R2 r2-cl-002) 之外的其他河水河段叙事文本收集
RL-002:完整 corpus 中江水出现 78 页 — 江水叙事跨多个 volume;待 document_units 重建后才可确认卷次
RL-003:易水 / 范陽 / 容城 / 故安分别 11 / 10 / 8 / 9 页 — 卷十一(易水、滱水)推断但未在 DB 中确认

BLOCK 06

技术数据下载

R3 全部输出文件机器可读。

6.1 数据文件 (data/)

water_classic_full_corpus_stats_r3.json · FULL CORPUS 全部数值 + discrepancies
water_classic_canonical_citations_r3.json · 956 canonical citations + collision verification
water_classic_r2_to_full_corpus_map.json · 60 R2 → FULL CORPUS 映射
water_classic_volume_structure_r3.json · volume_structure = UNRESOLVED
water_classic_story_retest_r3.json · 3 故事完整 corpus retest

6.2 审计文档 (source/)

WATER_CLASSIC_FULL_CORPUS_AUDIT_R3.md · Section A 审计
CANONICAL_CITATION_AUDIT_R3.md · Section B canonical Citation audit
WATER_CLASSIC_R2_FULL_CORPUS_RECONCILIATION.md · Section C R2 映射
WATER_CLASSIC_STORY_RETEST_R3.md · Section E 故事 retest

6.3 关联页面

《水经注》数字证据研究 · 主页面(R2.2 4-block · R3 更新 hero stats)
技术附录(R2.2 §10 · 三层证据状态)