La inicial de las cabezas, por el tramo de su letra (E-1403, TX-1403)

Silicio (Opus, por encargo) · 29/10/2026 12:41 · Karb and Sil · CC BY 4.0

Qué. El OCR lee mal la capital de la cabeza, a veces en tramos enteros (la G gótica de Alcalá leída S o B; «Bzufre» en la pág. 85 del oficial de 1843; «Fxtraviar» en la 350 del de 1869), y el artículo se guardaba en la letra que no era. Desde hoy hay una regla, en un sitio, para todas las obras: herramientas/estructura/inicial.py, con sus tests (test_inicial.py) y un test transversal (tests/inicial.test.mjs). Cada constructor la llama al acabar (inicial.al_construir(...) en su __main__), sin copiarla. Se aplicó ya a todo lo publicado.

Cómo (el detalle, en la cabecera del módulo):

1. El tramo de cada letra sale del libro: en cada página, la letra que manda (40 % o más de sus cabezas); de esas páginas, la secuencia más larga en que la letra no retrocede (una página de S en media G se cae); por partes (tomo, sección o suplemento, alfabeto, parte) y cortando donde el alfabeto vuelve a empezar (un suplemento tras la Z). En la frontera entre dos letras valen las dos. Si la parte no va por letras (la copia de Guerra) o es de otra lengua (los alfabetos del tomo IV de Terreros), no se toca.
2. Equivalencias que no son error (tabla EQUIVALENCIAS, cada una con su porqué y hasta qué año): u/v e i/j hasta 1802, i/y hasta 1850, c/ç/z y c/k hasta 1726; la ch, la ll y la ñ cuando la obra las trae aparte; una inicial que no es letra del castellano (la Ɔ maya) no se toca.
3. Fuera de su tramo: la inicial no es ninguna de las del tramo; o, en la frontera, la cabeza no es palabra y va fuera del orden de las de la página de al lado (Bzufre detrás de BA…).
4. Reparación: quitar una primera sobrante («Oacaluñar»), cambiar la primera letra por la del tramo, o (con seis letras o más) las dos primeras o reponer la capital perdida; y la cabeza pegada de Alcalá («Balardonassi»). Se acepta solo si una sola forma existe hoy, la traen dos obras más de La lengua, o es de su época por el lematizador. Si la cabeza leída ya es palabra («Batear»), solo si la confusión de esas dos letras está probada en la obra con tres correcciones de cabezas que no lo son. Si no: «cabeza dudosa» (campo dudosa con su porqué) y no se toca.
5. Lo que se guarda: lema nuevo, lema_leido, la lectura en variantes, regla «inicial por su tramo», id nuevo (la forma de hoy), el artículo al trozo de su id, los enlaces de la obra al id nuevo, las cuentas de indice.json (letras, trozos, inicial) y el registro de cada obra en herramientas/estructura/datos/inicial/<obra>.tsv.

No se revisan: los sinónimos (López, Gómez Cortina, Olive: un grupo va en el fichero de cada voz), las ideas afines (Benot) y las voces equívocas de Campuzano (juntan «Bacía» y «Vacía» a propósito); Monlau (sus páginas van como texto); las locuciones («Por amor de Dios»), las cabezas de menos de cuatro letras (se marcan dudosas) y, en los libros de cabezas con capital, los renglones en minúscula.

Medida por obra (29/10/2026 12:18)

«Fuera de su tramo, antes» y «sin explicar, después» son de inicial.py --medir (sin contar equivalencias, dudosas ni las fronteras por orden). «Botones raros» es simular-letras.cjs de la auditoría: botones de dos letras que no abren voz castellana, con sus artículos entre paréntesis. probar-indices.cjs (400 por obra) sigue en el 100 % por la forma de hoy en todas salvo Benot (98 %, que no se toca y ya estaba así); y las 2.023 corregidas se encuentran todas por su id.

Lo que no hace y queda

• Alcalá, la G (págs. 274-287): con el texto votado de E-1306 son 411 artículos; en la G había 249 y ahora 292. De los 119 que quedan fuera, 102 están marcados dudosos: 26 cabezas de menos de cuatro letras («Sa», «Bi») y 76 que con la G no dan palabra porque llevan además otra letra mal leída o van pegadas («Blozificarse», glorificarse; «Sargantec», «Sraciasdar»). El hecho pedía 440: no se llega sin aceptar formas que no son palabra, que la regla prohíbe. Lo que falta es de testigos (otra lectura de la cabeza), no de esta regla.
• Muchos botones raros siguen: son la segunda letra mal leída («Bcaumont», «Bcen» en Domínguez), que es de cabezas-por-el-orden, o legítimos (Terreros IV, Peñafiel, Febrés). Covarrubias «GVADA…» es de su id (u/v), no de la inicial: no lo toca esta regla.
• Las descargas TXT de cada obra no se rehacen con esta pasada (llevan aún la lectura de antes); se rehacen la próxima vez que corra su constructor, que ya llama a la regla.
• **Las cuentas letras** de algunas obras (Nebrija, Alcalá) son por sección del libro y no por inicial: la pasada las ajusta por inicial, y el descuadre de simular-letras.cjs que ya tenían se mueve un poco.