Dekkingskaart ingest

Wat een webpagina kan bevatten, en of onze kennisbank-ingest het omzet in doorzoekbare tekst én in iets dat in een antwoord te tonen is. Deze kaart hoort bij de labtest-set: de pagina's hiernaast zijn de fixtures waarmee de regels hieronder gemeten worden.

De status gaat over wat de pijplijn kan, gemeten aan de code en aan een proef door de echte conversie — niet over hoe vaak een vorm in onze kennisbanken voorkomt.

Werkt: komt als tekst door en is te tonen

• Tabellen — worden markdown-tabellen; grafiekgegevens gaan dezelfde weg.
• Afbeeldingen — beschrijving door het beeldmodel, bron-URL blijft heel.
• Figuur met bijschrift — het bijschrift blijft aan het juiste beeld hangen.
• Mermaid — overleeft woordelijk als codeblok.
• Codeblokken — ook als de code in gekleurde stukjes is opgeknipt; die worden weer aaneengeplakt.
• Definitielijsten — worden een geneste lijst, dus term en definitie blijven bij elkaar.
• Ingeklapte blokken — samenvatting en inhoud komen allebei door.
• Voetnoten — de verwijzing overleeft als echte link.
• Doorgehaalde tekst — de doorhaling blijft herkenbaar.

Half: een deel van de betekenis gaat verloren

• Inline SVG — de labels komen door als losse tekst, de structuur en de waarden niet. Het lijkt dus alsof de inhoud er is.
• Server-gerenderde grafiek — komt binnen als gewone afbeelding, mits de dynamische URL ophaalbaar is.
• Formules — de tekens komen door maar platgeslagen, elk symbool op een eigen regel.
• Formulieren — label en keuzelijst-optie komen door, maar los van elkaar.

Valt weg: laat geen spoor na

• Canvas — door JavaScript getekend; de HTML is leeg. Wordt sinds kort wel geteld en gemeld.
• Insluitingen (iframe) — niets komt door, bron noch titel. De grootste onzichtbare hap.
• Gestructureerde metadata (JSON-LD) — vaak de best geordende versie van de pagina, en wij lezen hem niet.
• Ondertitels — een volledig transcript dat al als platte tekst naast de video ligt.
• Kruimelpaden — het sectiepad dat elk fragment als context nodig heeft.
• Betekenis in attributen — de uitschrijving bij een afkorting, een statuskleur in een klassenaam, en het label van een icoonknop; bij die laatste verdwijnt de hele knop.
• Beeldvarianten — bij meerdere varianten komt geen van beide door, alleen de alt-tekst zonder URL.

Wat er juist niet in hoort

Navigatie, voettekst, cookiebanner en deelknoppen verdunnen elk fragment van een pagina. Uitsluiten hoort net zo goed bij dekking als toevoegen.

Volgorde die ik zou aanhouden

1. Insluitingen — grootste onzichtbare hap.
2. Gestructureerde metadata — vraag-en-antwoordparen die de pagina al heeft uitgesplitst.
3. Ondertitels — transcript zonder model, zonder kosten.
4. Betekenis in attributen — drie kleine gevallen met dezelfde oplossing.
5. Kruimelpaden — leveren het sectiepad.