第一个月哪些 WebNR 来源真的还健康？22 个 maintained source 的全量复测与下一批候选
先给结论：截至 2026-09-03，WebNR 在第一个月维护起来的 21 个既有 source family 全部保留；本轮没有一个需要删除，也没有一个因为访问、版权边界或格式漂移而降级。 今天另外把上一轮已经完成初审的 CLiGS Textbox 从候选推进成一个真实的西班牙语 direct-TXT starter，因此本轮结束后 maintained set 从 21 个增加到 22 个。
这句话有一个必须说明的限定：“健康”不等于“我们能爬它”。 WebNR 为每个来源承诺的能力不同。一个只被批准为官方发现入口的 source，只要它的第一方页面仍然可用、链接语义没有漂移、WebNR 仍然只保存自写说明和跳转链接，它就是健康的；我们不会因为网页“抓得到”就擅自升级成目录同步。反过来，一个 direct-TXT source 则必须继续满足更严格的条件：正文地址仍指向已审计的第一方或 commit-pinned 文件、格式和体积仍在浏览器导入边界内、稳定身份没有变化、权利与署名说明仍然成立。
因此这次复测不是一个 HTTP 200 清单，而是一次 capability-aware health check：每个 maintained family 都按自己已经公开承诺的能力重新核对代表性路径、来源身份和失败边界。对 immutable Git snapshot，还重新核对 commit 身份；对平台型来源，则重新核对第一方发现入口；对 WebNR 自己维护的内部 TXT，则核对生产 reader 路径与 source definition。
这次到底测了什么
我们把健康检查拆成四层，而不是把所有来源都塞进同一个“可访问/不可访问”二元框：
- 身份仍然正确：维护中的 URL、作品 ID、平台入口或 Git commit 仍然指向预期对象，而不是重定向到无关页面。
- 当前批准的能力仍成立：link-only 就只验证发现入口；direct-TXT 则验证具体 TXT transport、固定版本、大小与来源边界。
- 权利与访问边界没有被悄悄扩大：例如 Folger 的 TXT 仍然保留非商业条件；Project Gutenberg 的发现目录仍不被包装成 WebNR 的批量抓取接口；平台用户投稿也不会因为公开可读就被当作可再分发内容。
- 失败时不会偷偷换来源：如果一个 direct-TXT 上游以后失效，WebNR 应显示导入失败并进入审计，而不是自动去找一个未经审核的镜像顶上。
这也解释了为什么“link-only”在健康报告里不是黄色警告。它是一种明确、可验证、风险较低的产品能力。真正的警告应该是：我们声称某个 adapter 可以读取内容，但实际上没有稳定接口、没有版本化 fixture、没有明确 identity/update/delete 语义，或者需要绕过登录、机器人挑战和付费边界。当前 maintained set 里没有这种情况。
22 个 maintained source：2026-09-03 全量健康表
下面的“最后测试”表示这次 monthly health pass 对该 family 的当前能力重新核验日期。对于大型平台和目录，我们测试的是代表性第一方入口和 WebNR 已承诺的能力，而不是把整个站点的每一本书、每一篇帖子重新抓一遍。
| Source family | 主要语言 | 当前能力 / 格式 | 最后测试 | 状态 | 失败 / 替代说明 |
|---|---|---|---|---|---|
| WebNR Originals | 中文 | WebNR 内部 CC0 TXT，reader 直接导入 | 2026-09-03 | 健康 | 无失败；作为内部回归基线继续保留 |
| Aozora Bunko Starter | 日语 | 官方图书卡发现；ZIP/Shift_JIS 正文暂不直读 | 2026-09-03 | 健康 | 图书卡仍可用；无需替代 |
| Standard Ebooks Starter | 英语 | 官方作品页发现；EPUB 等留在来源站 | 2026-09-03 | 健康 | 目录与作品页可用；无需替代 |
| Project Madurai Starter | 泰米尔语 | 官方 Unicode/UTF-8 页面发现 | 2026-09-03 | 健康 | 继续按项目原始条款保守发现 |
| English Serial Platforms Starter | 英语 | Royal Road、Scribble Hub、Wattpad、Tapas、Honeyfeed 官方发现入口 | 2026-09-03 | 健康 | Royal Road 等代表性入口可用；不抓正文 |
| Project Gutenberg Starter | 英语 | 官方 ebook 落地页发现 | 2026-09-03 | 健康 | 仍保持 human-facing discovery，不做 catalog crawler |
| Global Grey Starter | 英语 | 官方 ebook 落地页发现 | 2026-09-03 | 健康 | 代表性经典作品页可用 |
| Online Books Page Starter | 英语 | CC0 curated metadata 对应的稳定书目页发现 | 2026-09-03 | 健康 | curated listing 当前可用；正文仍由下游来源负责 |
| Wolne Lektury Starter | 波兰语 | 官方作品目录发现 | 2026-09-03 | 健康 | 《Lalka》等页面可读，下载/API 能力未被擅自升级 |
| Wikisource Starter | 英语 | 具体版本作品页发现 | 2026-09-03 | 健康 | 1813 版 Pride and Prejudice 等版本页可用 |
| English Web-Fiction Discovery Starter | 英语 | Top Web Fiction、SpaceBattles、Sufficient Velocity 等发现入口 | 2026-09-03 | 健康 | Top Web Fiction 当前榜单与标签入口仍活跃 |
| Chinese Web-Fiction Platforms Starter | 中文 | 起点、晋江、纵横、17K、七猫官方平台发现 | 2026-09-03 | 健康 | 维持 link-only；不复制作品、榜单或账户数据 |
| Japanese Web-Fiction Platforms Starter | 日语 | なろう、カクヨム、エブリスタ、野いちご、ノベマ！官方发现 | 2026-09-03 | 健康 | 「小説を読もう！」等当前入口可用 |
| Korean Web-Fiction Platforms Starter | 韩语 | Munpia、NAVER SERIES、RIDI、Novelpia、BritG 官方发现 | 2026-09-03 | 健康 | NAVER SERIES / Munpia 等当前入口可用 |
| Progression & LitRPG Publisher Discovery Starter | 英语 | 出版社第一方 catalog / collection 发现 | 2026-09-03 | 健康 | Aethon 当前 catalog 可用；不复制商品和书籍数据 |
| Fanfiction Discovery Starter | 多语言 / 英语为主 | FFN、AO3、Fimfiction、Scribble Hub 等第一方发现 | 2026-09-03 | 健康 | 保持 link-only；AO3 Atom 仍是后续 richer-interface 候选 |
| Web Novel Discussion Radar Starter | 英语 | Royal Road / Reddit / Scribble Hub Forum 月度讨论入口 | 2026-09-03 | 健康 | Royal Road Recommendations 当前仍有活跃主题；月度快照不做后台轮询 |
| Classics & Open Reading Discovery Starter | 多语言 | Lit2Go、Alpheios、Scaife 官方开放阅读发现 | 2026-09-03 | 健康 | 继续保留 item-level rights 差异，不做 blanket redistribution |
| Project Ben-Yehuda Public Domain TXT Starter | 希伯来语 | commit-pinned UTF-8 direct TXT | 2026-09-03 | 健康 | 官方阅读页与固定 dump 身份仍成立；无镜像替代 |
| GITenberg Direct TXT Starter | 英语 | commit-pinned raw TXT | 2026-09-03 | 健康 | 三个固定 Git snapshot 保持可复现；不跟随 mutable branch |
| Folger Shakespeare TXT Starter | 英语 | 第一方 TXT direct import | 2026-09-03 | 健康 | Folger 仍提供 TXT；继续保留非商业使用边界 |
| CLiGS Textbox Spanish-American TXT Starter | 西班牙语 | commit-pinned direct TXT | 2026-09-03 | 新接入 / 健康 | 三个 <1 MiB TXT；PD 文本 + collection CC BY 4.0，固定到审计 commit |
从运营角度看，这次最重要的数字其实不是“22”，而是 0 个静默失败、0 个为了凑数量而强行降级、0 个未经审计的自动替代。来源越多，如果没有能力边界，长期维护成本会呈爆炸式增长；反而是每个 family 都有明确的“我到底承诺什么”，才有可能每天自动复测而不把网站变成不可控的抓取器集合。
四个真正能直接读 TXT 的来源，现在有什么不同
第一个月最明显的进展，是 WebNR 已经不再只有“链接目录”。maintained set 里现在有四类真实 direct-TXT 样本，而且故意选择了不同的来源结构。
Project Ben-Yehuda：官方公共领域 dump + 固定 commit
Project Ben-Yehuda 的优势是来源项目自己同时给出人类可读作品页和公共领域 dump。WebNR 把具体作品 ID 与官方页面留作 provenance，实际 TXT 则固定到审核过的 Git commit。这样上游继续更新不会让已发布的 WebNR 条目在没有 PR 的情况下改变字节内容。
打开 Project Ben-Yehuda TXT Starter
GITenberg：每本书一个 Git 仓库
GITenberg 适合演示另一种身份：作品对应独立仓库，WebNR 选择具体纯文本文件并固定到具体 commit。它和 Project Gutenberg Starter 并不重复——后者仍是面向读者的官方发现页，前者用很小的样本验证“一个 Git-backed raw TXT 能否稳定直接导入”。
打开 GITenberg Direct TXT Starter
Folger Shakespeare：第一方 TXT，但不是“因为 Shakespeare 公版所以什么都能做”
Folger 的例子尤其能说明为什么我们不只看原作者死亡年份。Folger 提供自己编辑的高质量数字文本和 TXT 下载，并明确说明相关数字文件可用于非商业目的。WebNR 因此直接链接 Folger 第一方 TXT，但 source 里保留 Folger Digital Texts 的许可与署名信息，没有把“Shakespeare 原作公版”错误扩大成“Folger 编辑版无条件公版”。
打开 Folger Shakespeare TXT Starter
今天新增 CLiGS：公共领域文本 + CC BY 4.0 collection + commit-pinned TXT
CLiGS Textbox 上一轮已经进入候选队列，今天完成了一个真正的小型 pilot。我们没有把整个巨大 Textbox 仓库一口气接进来，而只选择了 Collection of 19th Century Spanish-American Novels (1880–1916) 中三个 plain-text 文件：
| 稳定 ID | 作品 | 作者 | 固定文件大小 |
|---|---|---|---|
nh0003 |
Laucha | Roberto Payró | 72,519 bytes |
nh0004 |
Inca | Roberto Payró | 136,407 bytes |
nh0011 |
Rumbo | Eugenio Cambaceres | 200,133 bytes |
上游 collection README 明确说明作者版权已经到期，并把该 collection 以 CC BY 4.0 发布；它还给出了建议引用方式。三个条目都固定到 cligs/textbox 的审计 commit 1b91e940475c8a7e866457a3953fed5edb0a29f1，而不是跟随 mutable master。浏览器只有在读者明确选择某一本时才请求对应 raw TXT；没有 bulk clone、后台 polling、代理、Cookie、账号，也没有把其他 CLiGS collection 自动推定为相同许可。
打开 CLiGS Spanish-American TXT Starter 查看 CLiGS collection 的来源说明
这就是我们希望以后 richer source 遵循的模式：先挑一个权利、格式、身份都能说清楚的小样本，把 runtime contract 和失败语义做实，再扩大覆盖。
为什么 14 个左右的目录型 family 仍然只做 link-only
平台型来源与公共领域文本库完全不是一个问题。Royal Road、起点、AO3、NAVER SERIES、Fimfiction 等站点上的大量内容由不同作者提交，可能包含账号、评论、评分、付费、年龄或地区边界。即使公开网页今天能被浏览器打开，也不能推出 WebNR 获得了“把整个目录同步过来”的授权，更不能推出每个页面都适合无人值守抓取。
所以 link-only 的验收标准很明确：
- 第一方发现入口仍然存在；
- URL 没有变成无关营销页或登录墙；
- WebNR 的说明没有假装拥有正文或平台 metadata；
- 任何有付费、账号、年龄、机器人策略或作者权利差异的部分仍留给原平台；
- 如果以后存在官方 API、Atom、OPDS 或可下载 public-domain corpus，则单独为那个 richer capability 做新的审计。
这也是为什么 AO3 已经从“完全 defer”进展到健康的 Work Search discovery，但 canonical-tag Atom feed 仍留在下一层；Fimfiction 的官方 API 也仍然是优先 richer adapter 候选，但新的 API application/client identity 需要站方创建，不能为了自动化运营伪造凭据。它们都不是 WebNR 日常运营 blocker，只是升级能力之前需要满足的独立前提。
本月没有失败来源，所以没有制造“替代源”
健康报告通常容易诱导出一种错误动作：既然要写“failure / replacement”，就好像必须找一个失败然后换掉。今天的证据不支持这么做。
21 个既有 maintained family 在自己承诺的能力层都继续成立，因此：
- 删除：0
- 降级：0
- 因为失败而替换：0
- 新增：1（CLiGS direct-TXT pilot）
“没有替代”并不是没做事，而是避免把运营 KPI 变成破坏稳定性的理由。真正需要替代的情况应该有明确证据，例如第一方入口长期消失、内容身份发生不可接受漂移、许可发生变化、TXT 从可读文本变成不受支持的格式、上游开始要求账号/授权，或者来源持续返回不可恢复错误。到那时我们会在同一周期降级、移除或找到经过独立审计的替代；今天没有发生。
下一批 5 个新候选：谁最值得接
除了复测 maintained set，今天也继续筛选此前没有进入跟踪表的新 source family。候选不是“搜索结果收藏夹”；至少要把格式、权利、来源身份和 WebNR 能提供的真实用户价值看清楚，才会进入下一阶段。
1. DBNL dataset：当前最强的下一批 direct-TXT / TEI 候选
荷兰皇家图书馆（KB）维护的 DBNL dataset 很值得优先处理。官方资料说明，DBNL 的书/卷数据可提供 full text、TEI XML 和 .txt，并且公共领域文本可作为数据集获取；较新的受版权保护材料则有不同限制。
这意味着下一步不应该“接整个 DBNL”，而应该选择明确 public-domain 的小型子集，保存 dataset/item identity、版本和权利证据，做一个和 CLiGS 类似的 direct-TXT pilot。它现在排在候选队列第一位。
2. Victorian Women Writers Project：TEI 很有价值，但 header 不能丢
Victorian Women Writers Project 约有两百份文本，原始作品主要属于公共领域；项目记录同时给出了下载、传输、复制、分发原始文本的条件，但要求保留电子文本 header，Indiana 项目贡献本身还有单独的版权边界。
所以它不是“看到 public domain 就去掉 TEI header 抽正文”。正确路径是先做一个确定性的 TEI fixture：哪些 header/attribution 必须保留、哪些节点转成 reader text、identity 怎样稳定、转换结果怎样 version。完成后才适合 native adapter。
3. Biblioteca Italiana：格式很理想，reuse license 还要补齐
Sapienza 的 Biblioteca Italiana 提供超过一千六百份意大利文学文本，并使用 XML-TEI 等结构化格式。对 WebNR 来说，这是一个很好的意大利语覆盖机会。
但今天的第一方资料核验还没有拿到足够明确、可落到 adapter contract 的 blanket reuse license，所以不会因为“freely accessible/downloadable”就自动解释成“可由 WebNR 批量再发布”。先补权利证据，再做 TEI fixture。
4. Wright American Fiction 1851–1875：规模大，但先解决 endpoint 与质量层级
Wright American Fiction 的历史 corpus 很大，也有 TEI/SGML 和 page images。问题在于不同部分的编辑/校对质量并不完全相同，而且本轮没有获得足够新的第一方 blanket redistribution 与稳定下载接口证据。
因此当前价值更接近“值得研究的 corpus”，而不是“今天就能变成 source”。下一轮如果能明确 current endpoint、edited/OCR quality boundary 和使用权利，再决定是 discovery 还是 native text adapter。
5. Project Laurens Jansz. Coster：内容有价值，但 legacy delivery 是风险
荷兰皇家图书馆对 Project Laurens Jansz. Coster 的说明显示，它长期提供无版权限制的荷兰经典文学数字文本，但项目本身已经不再更新。
这并不让它“失败”；只是把问题从抓取变成长期地址和归档身份。如果以后接入，应优先寻找 KB 能解释、可长期复现的 archival route，而不是依赖一个多年不维护的旧站点 URL。
今天这五个候选中，DBNL 最接近下一次真实 direct-TXT ship；VWWP 最适合推动 TEI runtime；Biblioteca Italiana 和 Wright 需要先补权利/endpoint 证据；Coster 则应当以 archival discovery 的方式处理。
还有哪些已经排队，但今天不应该抢跑
上一轮进入队列的 ELTeC 和 CoNSSA/TextGrid 仍然有意义，不过它们更适合作为“把 TEI 转成稳定 reading text”的 fixture，而不是今天为了数量再加两个链接。我们需要先定义：
- 选择哪些 TEI 元素进入正文；
- 标题、段落、诗行、脚注和舞台说明怎样映射；
- 不能识别的节点是报错、保留还是忽略；
- 转换前后如何保存 source identity；
- 版本更新时如何证明没有把同一个 ID 悄悄换成另一份文本；
- 权利与署名怎样从 source manifest 一直保留到 reader。
这条路线和 8 月 30 日发布的 Legado compatibility work 很像：先把可验证的最小 runtime 做出来，再扩能力。 对 source adapter 来说，可复现的转换 fixture 比“支持 TEI”四个字更重要。
这份健康报告没有告诉我们的：真实流量表现
来源健康和搜索表现是两套证据。今天能够证明 22 个 maintained source 的产品/来源能力，但不能从这里推导“哪个来源带来最多用户”“哪篇文章 CTR 最高”或“新增 CLiGS 会提升多少搜索流量”。
WebNR 配置的 GA4 / Search Console 导出在本轮仍然没有可用数据文件；这意味着相关指标是不可用（unavailable），不是 0。同样，在当前运营连接里没有可用于 webnovel.win 的 Cloudflare provider request-analytics 数据，因此不会拿不存在的请求量填健康报告，也不会为了“优化”而改动已经验证的 GA4 G-DGH8HNQKE4、完整 page_location / query-bearing page_path 或 privacy signals 配置。
等真实 provider export 恢复后，source health 可以和读者行为结合：例如 source add、导入成功、阅读启动、返回访问、source-specific failure rate。但在那之前，能测到的就报告能测到的，缺失证据就明确写缺失。
下一阶段：从“来源多”转向“来源能力更深”
第一个月已经证明 WebNR 可以每天扩展来源而不把自己变成一个不受控 crawler。第二个月更值得做的不是把 22 变成 100，而是把 capability ladder 向下推进：
第一层：稳定发现链接 → 第二层：有明确权利和身份的 direct TXT / feed → 第三层：有 fixtures 的 declarative / structured adapter → 第四层：明确状态、更新、删除与失败语义的 richer runtime。
今天的 CLiGS pilot 是第二层的一个新例子。下一步优先顺序也因此很明确：
- DBNL public-domain direct-TXT 小样本；
- 完成第一套确定性的 TEI→reading-text fixture，优先为 VWWP / ELTeC / CoNSSA 之类的结构化开放文本服务；
- 继续 AO3 Atom 的 transport/identity/update fixture，不把 Work Search 的 link-only 能力和 feed 能力混为一谈；
- Fimfiction API 在获得官方 application/client identity 后再实现 OAuth、rate limit、cache、pagination、update/delete 和 versioned fixture；
- maintained set 继续轮换复测，任何真实失败在发现当天处理，而不是等下一份月报。
一个来源真正“健康”的标志，不是今天 curl 成功，而是半年后我们仍然能回答：它是谁、我们为什么可以这样用、用户点击后发生什么、上游变化会不会静默改内容、失败时怎样回滚。 这 22 个 maintained family 现在至少都有这个问题的明确答案。