# Качество данных корпуса — отчёт по итогам разметки

Дата: сентябрь 2026. Корпус: 575 URL → **479 сайтов захвачено, 96 не удалось** (17%), **4304 секции нарезано** клипами по DOM.

## Потери при захвате (96 сайтов)
- Антибот-стены (Cloudflare/капчи) и пустые страницы без JS-контента — большинство.
- Краши рендерера при параллельном захвате (перезапуск не помог — детерминированные краши на тяжёлых WebGL-страницах).
- Битая сертификация у 3 сайтов. Итог: потеря в основном «тяжёлых» award-сайтов и части корпоратов — это смещение корпуса в сторону обычных лендингов и SaaS (что для конвейера СТ ИТ скорее плюс).

## Доля мусора в ролях (misclassified из отчётов кодеров)
Роли отсортированы от худших к лучшим (доля мусора от выборки):

| Роль | Мусор | Выборка | Основной тип мусора |
|---|---|---|---|
| process | ~75% | 57 | лейблы по слову workflow: секции продуктов/фич |
| community | ~63% | 35 | лейблы по слову community: фичи, блоги |
| nav | ~59% | 34 | пустые чёрные кадры, промо-полосы, дубли shadcnblocks |
| team | ~58% | 62 | отзывы и фичи с фото людей |
| blog | ~50% | 82 | карточки с 14-48 медиа — витрины |
| form | ~46% | 59 | CTA-полосы, newsletter-виджеты |
| rewards | ~45% | 29 | лого-строки, сертификат-сетки без наград |
| stats | ~32% | 120 | страницы-обложки целиком, тариф-числа |
| pricing | ~30% | 120 | фичи, отзывы, промо, футеры |
| integration-logos | ~18% | 120 | hero, прайсинг, футеры, каталоги товаров |

Наичище: hero (9/120), cta (6/120), footer (6/120), features (12/120), faq (8/120).

## Артефакты скриншотов
- Lazy-load: **13–16% логотипов и футеров — пустые или чёрные кадры** (анимации не успели, ленивые iframe).
- Компонентные библиотеки (preline, shadcnblocks, flowbite): тулбары и дубли; ~18% выборки nav — один и тот же дизайн в разных стилях.
- Очень высокие секции схлопываются: клип ограничен 16000 px, секции h>2000 в даунскейле превращаются в вертикальные полосы — из-за этого **горизонтальный скролл и sticky-пиннинг на award-сайтах не подтверждены визуально** (искажение метода, не рынка).

## Смещение анти-канона (исправлено)
Первый проход выборки award-корпуса отдал 61/120 ячеек с 7 сайтов (баг стратификации, round-robin не работал). Исправлено: `anticanon2` — 120 секций со всех 66 сайтов, максимум 3 с сайта. Второй проход нашёл 22 новых устройства и подтвердил 15 прежних.

## Что это значит для следующего шага (галерея)
1. Частоты вариантов — валидны только внутри «чистой» части выборки роли; для мусорных ролей (process/community/team/blog) варианты считаем гипотезами, требующими добора при необходимости.
2. Роль `comparison` (15 секций) почти не существует как секция лендинга — «vs» живёт в блогах и футерах. Для галереи либо добор, либо честно показать как редкую роль.
3. Роль `events` (15 секций, 12 мусор) — аналогично, малый корпус.
4. 13 ролей-кандидатов из unknown (services-directory, security-compliance, interactive-demo, geo-map и др.) — в драфт включены как «новые роли», для галереи их надо либо принять, либо отбросить.