Add corpus size/license estimator; snapshot 90-project findings

Why:
- 放量决策需要比"52MB/项目 × 12493 = 650GB"更扎实的数据。用
  scripts/estimate_size.py 采样 90 个 hot 项目的 attachments[].size
  得到真实分布（median 9MB / p90 54MB），全量 median 估算 110GB，
  p90 上界 660GB。这给 Charles 一个可信的存储预算。
- 附带 license 和 ext 分布采出两个重要洞察：
  (1) mp4+qt 视频占 54% 存储，加 --skip-ext 开关可节省一半；
  (2) NC (Non-Commercial) 许可 ~11%，下游必须按 whitelist 过滤。

What:
- scripts/estimate_size.py: 无下载的元数据采样器，复用 crawler.parse_detail_html
- docs/sources/oshwhub_corpus_estimate.md: 结果快照 + 决策建议
- log.md: 本次会话记录

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

docs/sources/oshwhub_corpus_estimate.md

@@ -0,0 +1,67 @@
+# oshwhub 全量规模与特征估算
+
+**采样方法**：`scripts/estimate_size.py` 从 `/api/project?sort=hot` 取 **90 个项目**（3 页 × 30），解析每页详情 HTML 的 `attachments[]`，不下载任何附件。
+**采样日期**：2026-04-23
+**重跑方式**：`uv run python scripts/estimate_size.py --pages 3 --page-size 30 --sort hot`
+
+## 单项目分布
+
+| 指标 | 附件数 | 体积 |
+|-----|-------|-----|
+| mean | 3.1 | 22.2 MB |
+| median | 2 | 9.0 MB |
+| p90 | — | 54.2 MB |
+| max | 15 | 204.5 MB |
+
+90 个样本共 2001 MB。注意 `sort=hot` 的采样偏向**有高人气、有文件**的项目；长尾应更小。
+
+## 全量推算（12 493 projects）
+
+| 基数 | 估算 |
+|-----|-----|
+| mean × total | **271 GB** |
+| median × total | **110 GB** ← 合理规划值 |
+| p90 × total | **662 GB** ← 上界 |
+
+建议按 **150 GB** 做预算（median + buffer，排除 hot 偏差）；**300 GB** 做容量上限，预留故障余地。
+
+## 文件类型分布（按字节）
+
+| 后缀 | 样本总量 | 占比 |
+|------|---------|------|
+| .mp4 | 1029 MB | **51%** |
+| .zip | 676 MB | 34% |
+| .rar | 72 MB | 4% |
+| .qt | 66 MB | 3% |
+| .pdf | 32 MB | 2% |
+| .bin | 27 MB | 1% |
+| .jpeg | 26 MB | 1% |
+| .7z | 10 MB | <1% |
+
+> **关键洞察**：视频（mp4 + qt ≈ 54%）占存储一半以上。如果训练数据主要用 PCB / 原理图 / BOM，可在爬虫中加 `--skip-ext mp4,qt` 滤掉视频，存储立省一半。
+
+## 许可证分布（90 个样本）
+
+| License | 计数 | 占比 |
+|---------|-----|-----|
+| GPL 3.0 | 44 | **49%** |
+| Public Domain | 19 | 21% |
+| CC BY-NC-SA 4.0 | 5 | 6% |
+| CERN Open Hardware License | 4 | 4% |
+| CC BY-NC-SA 3.0 | 3 | 3% |
+| CC BY-SA 4.0 | 2 | 2% |
+| TAPR Open Hardware License | 2 | 2% |
+| CC-BY-NC-SA 3.0 | 2 | 2% |
+| 其他 CC | 2 | 2% |
+
+**全部开源/公共领域许可**，样本中无闭源。但注意：
+- 49% GPL 3.0 — 用于**训练模型**无直接违反（模型权重不是 derivative work 的学术共识存在争议，保守起见训练输出不可简单商业化再分发）
+- **NC (Non-Commercial)** 约 11% — 商用场景应**过滤剔除**
+- 样本偏大型项目；全量中 `license: "unknown"` 比例可能更高，需要下游按 whitelist 过滤
+
+## 给 Charles 的建议
+
+1. **放量预算**：150 GB 存储 + 15% buffer ≈ **180 GB LFS 空间**
+2. **滤视频**：在 Phase 1.4 之前给 crawler 加 `--skip-ext mp4,qt,mov,avi` 开关，存储需求砍半
+3. **许可证白名单**：下游派生数据集按 `license in {Public Domain, CC0, CC BY, CC BY-SA, MIT, Apache-2.0, BSD*, CERN-OHL*}` 过滤 NC / 未知
+4. **分期爬取**：按 `sort=hot` 按 page 推进，每 500 项目 checkpoint 一次