D1.4b — private/non-public raw-extraction pilot

Цель

Проверить extraction contract D1.4a на небольшом безопасном pilot run без публикации полного текста книги, без регистрации нового logical dataset и без изменения текущего runtime.

Исходная точка

• D1.4a завершён PR docs: complete D1.4a second-book evidence and extraction contract #33, squash merge 24cf1cf13dce580dbf628b05a3c160e1c716fd54.
• Evidence baseline: 23.8.12.
• Source PDF: _archive/source-files/Unlocking-Your-Dream-Student-Ma.pdf.
• Source bytes: 740193.
• Source SHA-256: edb4127915bf720ee56c96612f825ea4e0ef2f5fc15192a56fb96e5c7ec4745a.
• Pages: 55.
• Technical conclusion: direct-text-extraction-viable.
• Current default dataset remains ru-current-v1.

Обязательные документы

• docs/SECOND_BOOK_EVIDENCE.md;
• docs/second-book-evidence.json;
• docs/SECOND_BOOK_EXTRACTION_CONTRACT.md;
• docs/TWO_BOOK_ARCHITECTURE.md;
• WORK_STATUS.md.

Pilot scope

1. Verify exact source hash and stop on mismatch.
2. Create a private or otherwise non-public immutable extraction run.
3. Preserve one UTF-8 output file per physical PDF page.
4. Create manifest with:
   • run ID;
   • source path/hash/commit;
   • tool name/version/arguments;
   • page hashes and metrics;
   • aggregate hash;
   • warnings and review status.
5. Use direct extraction as default.
6. Use limited OCR only for explicitly flagged regions and record it separately.
7. Create a small reviewed segmentation sample from the beginning, middle and end.
8. Propose candidate record boundaries, local IDs, page ranges and stable source anchors.
9. Produce a validation/review report without registering the full dataset.

Жёсткие ограничения

• не коммитить полный извлечённый текст книги в публичный репозиторий;
• не изменять исходный PDF или _archive/;
• не изменять существующие data/ файлы и 4 086 записей;
• не создавать registered second-book dataset;
• не менять runtime, PWA, Service Worker, package metadata или versions/;
• не добавлять selector, combined search или comparison UI;
• не назначать одинаковые numeric IDs между книгами;
• не запускать DeepSeek/AI translation;
• не добавлять API keys или секреты;
• не утверждать права публикации без сохранённого evidence.

Критерии завершения

• pilot run имеет immutable ID и manifest;
• source/page/aggregate hashes воспроизводимы;
• page boundary сохранена для всех 55 страниц;
• небольшой segmentation sample прошёл ручную проверку;
• uncertain boundaries и OCR needs перечислены явно;
• полный текст не попал в публичный diff, logs, artifacts с публичной публикацией или patchnote;
• existing data/runtime protected paths не изменены;
• следующий data-registration этап определён отдельно;
• Pull Request объединён только после зелёных checks и полного diff review;
• main/WORK_STATUS.md возвращён в READY.