Las reglas, en su orden

1. Misma voz. El lema de cada edición se normaliza (minúsculas, sin tildes, sin lo que va entre paréntesis) y se pasa por el transductor de grafías de su momento ortográfico (los momentos ortográficos): muger y mujer llegan a la misma palabra de hoy, quixada y quijada también. Si las dos ediciones llegan a la misma palabra, es la misma voz. Si además la grafía vieja difiere, es un cambio de grafía, y se anota la regla del transductor que lo explica (ss → s, x → j, ph → f…). Cuentan también las variantes de la cabeza («ENCINAL, ò ENCINAR») y el femenino («ACÉFALO, LA»): una voz que en una edición es cabeza y en la otra va como femenino de otra es la misma voz.
2. Hueco nuestro. La voz está en A y no en B, y pasa una de estas tres cosas: (a) en B le tocaría caer, por orden alfabético, entre dos voces que están en páginas distintas con una página rota o que falta en medio (en 1843 faltan las págs. 289-294 del escaneo y la pág. 1 pierde dos letras; en 1852 falta la 121); (b) su cabeza, en versales, está dentro del texto de la voz de al lado en B: el OCR no la vio como cabeza y la dejó en el artículo de delante; (c) sus dos vecinas de A (la anterior y la siguiente) tampoco están en B: lo normal es que se perdiera un trozo de columna. → No se sabe (hueco).
3. Mal leída. Entre las voces que B tiene y A no hay una a una o dos letras de la voz de A (Accitoso / Aceitoso), o la misma sin la inicial (bad / abad), o la misma con la abreviatura de la categoría pegada (contumazmenteadv). Si las dos son palabras de hoy, solo vale una sustitución de las que hace el OCR (c/e, n/u, i/l, t/r…): portador y porteador son dos voces, ingratitud e ingratitod una mal leída. A dos letras solo vale si ninguna otra edición trae la voz tal cual (si la trae, es una voz de verdad). Y si la voz de A no es palabra de hoy y está a una letra de cualquier voz de B (comumicable / comunicable), también: es una lectura doble. → No se sabe (mal leída), con la pareja anotada. - Dudosa. La voz de A no es palabra de hoy, ninguna otra edición la trae y tiene la pinta de una mala lectura (dos tildes, una mayúscula dentro, vocales o consonantes que el español no junta: Cóstosíémo, Vco, Resouebradura). Y si el texto de A pierde cabezas (menos del 95 % encontradas en el conteo a mano: hoy todas menos la de 1869), basta con que no sea palabra de hoy y ninguna otra edición la traiga: una voz que solo trae un texto con erratas en las cabezas no se distingue de una errata. Se pierden así voces viejas de verdad (Conloar, que solo trae Autoridades), y lo decimos. → No se sabe (dudosa).
4. Testigo de una tercera edición. La voz está en A y en la edición siguiente a B, pero no en B: lo normal es que B no la leyera. → No se sabe (testigo), salvo que el sitio de B esté bien leído: sus dos vecinas de B caen en la misma página, y el texto de B encuentra el 95 % de sus cabezas o más (hoy solo el de 1869; el de 1852 pierde una de cada cinco, y esas pérdidas no dejan rastro, así que en él el testigo manda siempre). Mirando hacia atrás vale igual: una voz que entra en B, falta en A y está en la edición anterior a A es, casi seguro, una cabeza que A no leyó.
5. Lo que queda, sale (en A, no en B, con su sitio leído en B) o entra (en B y no en A, con las mismas reglas mirando hacia A y hacia la edición anterior a A).
6. La definición. Con la voz en las dos, la definición (sin la cabeza y sin el latín) es igual, retocada o nueva, con las mismas medidas y umbrales con que medimos quién copia a quién: igual, una frase común de ocho palabras o un parecido de 0,8 o más; retocada, un parecido entre 0,5 y 0,8 y un cuarto de los trigramas comunes (en las definiciones de doce palabras o menos basta el parecido); con menos de cinco palabras, corta y no se juzga. Antes de medir, las palabras a una o dos letras de una de la otra definición se igualan (una errata del OCR no es un retoque), y se mide dos veces, entera y recortada al largo de la más corta, porque el troceado a veces traga el artículo siguiente, y eso no es una definición nueva.

Lo que esto no sabe hacer

• Una grafía que el transductor no reconoce (una h que se va, una tilde que cambia) no cuenta como cambio de grafía: si las dos formas son palabras de hoy y difieren en una letra que no es confusión del OCR, salen como dos voces; si no, como «mal leída». Las reglas del transductor están en los momentos ortográficos.
• La curva de cada rasgo edición a edición no está aquí: los cambios de grafía de cada par quedan en un fichero (`grafia.tsv`) con las columnas del rasgómetro, para que la curva se haga con todas las ediciones cuando el taller acabe de leer las de 1770, 1817 y 1822.
• Las erratas que salen al comparar no se corrigen en el texto de ninguna edición: se anotan para la revisión de erratas de la biblioteca.
• La columna. La regla 4 dice «bien leído» cuando las dos vecinas caen en la misma página; no sabemos la columna.

Lo que medimos a ojo

De cada clase y cada par miramos veinte filas contra el texto de las dos ediciones (no contra la imagen: lo que el texto no puede probar, lo decimos). El acierto de cada muestra está en la página de cada par y en `docs/estado/diccionario-oficial.md` del repositorio; una clase por debajo del 80 % no se publica, y la página dice por qué. Lo que más cuesta es el texto de 1852 (cinco erratas por cada cien letras y una cabeza perdida de cada cinco): entre 1843 y 1852 y entre 1852 y 1869 las definiciones no se publican todavía.