Doubak / doubak-data-parser / 26

91%

Build Type

push

github

Committed by MewX

Commit Message

fix: data-cid 是 2023-12 才有的，两层身份必须认回同一条记录

identityOf() 有 data-cid 就用 `u:` 键、没有就用 `d:` 键，而两个键空间不相交。
于是**同一条标记在不同年代的观测会变成两条记录**——IDENTITY.md §2.2 那张表自己
就写着 data-cid 只有 2023-12 之后抓的页面才有，所以只要一个目录里同时有那之前
和之后的档案，每一条跨越那条线的标记都会一分为二。

实测把前代工具 2022-12 → 2024-08 的档案（doubak-import-adapters 转出来的）导
进来跑一遍：**2526 个作品出了 4050 条标记**，而且修订史被劈成两半——那恰恰是那
批数据唯一的价值所在。失败的形状是最坏的那一种：不报错，而且看起来像数据变多了。

改成用退化键当锚点记住「这个作品最终落在哪个键上」：先在没有 data-cid 的年代
见过、后来拿到了，就把那条记录搬到上游键上，不另起一条。反过来（先有后无）
跟着已确定的键走。**同一个作品先后出现两个不同的 data-cid 仍然不合并**——那是
「标了、删了、又重新标」，是只有 data-cid 给得出的信息，正是它比退化键强的地方。

搬过去之后 identity_layer 仍然写 degraded_key：它回答的是「这条记录的身份最弱
靠到了哪一层」，而早年那几次观测确确实实是靠退化键认回来的。改写成 upstream_id
会把那件事掩盖掉，而读者判断「这些修订真的是同一条记录吗」时要看的正是最弱那环。

修完再跑：2526 条标记、2526 个作品，一一对应。与 2026 那 17 份档案合并之后
标记 2950 → 2955、修订 2959 → 3105，多修订的标记从 8 条变成 147 条。

test/identity.test.js 用手搓的内存档案钉住规则（顺带钉住 parse() 那八项契约）；
把归并退回老行为会红 3 条。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01E6dxwcUi4rM3dcKdsqx9xm

Coverage Stats

427 of 543 branches covered (78.64%)

Branch coverage included in aggregate %.

93 of 93 new or added lines in 1 file covered. (100.0%)

33 existing lines in 1 file now uncovered.

2856 of 3079 relevant lines covered (92.76%)

2963.61 hits per line