跳转至

ISSUE-0080:phone 正则把 GPS 坐标当电话号码抓

🔴 2026-08-30 更新 — 本 issue 的修复方案已被证明有误杀,状态由 fixed 改为 recurring。

本文「三层防御」表(约第 107 行)推荐的「存量迁移(cleanPollutedContactPool())」不再适用,撤销该通用建议: 它按 dotCount >= 2 判据不可逆删除已入库号码,实测会销毁法国 01.42.68.53.00、 比利时 02.345.67.89、美国 212.555.0100 等合法点分隔电话。

详见 ISSUE-0089。在新判据落地前, 存量迁移必须停用;「写入 / 读取 / 存量迁移」三层防御中的第三层, 在判据本身不可靠时会把误判放大成不可逆的数据销毁。


🟢 2026-08-31 进展 —— 新判据已落地,但第三层防御仍关闭。

ISSUE-0089 的值域基元判据已实施(isLikelyCoordinateNoise 重写)。 主控实测:本 issue 的 5 条真实污染日志(0.5 15.0234、11.5916 59.989、 11.8529 60.2645、12.7165 60.5762、13.2591 60.3604)新判据 5/5 全拦, 同时法/比/瑞/美点分隔电话 19/19 全部保留 —— 上面说的「误杀」已消除。

但存量迁移开关仍是关的(engine-manager.ts:38),三层防御目前只有前两层在跑。

🔴 待 Tony 拍板:第三层要不要重新打开?

选项 得到什么 代价
开 用新判据清洗历史库残留的坐标污染 仍是不可逆删除。新判据更准,但「更准」≠「无误判」——其边界见 ISSUE-0089 文末一问
不开 零风险 旧污染永久留在 ContactPool;但前两层已能挡住它进新数据
折中 先跑 dry-run 统计会删多少、删哪些,看完再定 需要实现 dry-run 模式

主控倾向折中:这条路径连炸两轮(0080 → 0089)且删除不可逆, 先看清会删什么再决定,成本只是一个统计开关。但这是产品判断,不是技术判断。

🟢 2026-08-31 补充 —— 折中选项的 dry-run 已实现(见 0089-dot-separated-phone-destroyed「dry-run 诊断工具」):任意扩展页 devtools console 发 chrome.runtime.sendMessage({ type: 'contact-pool-cleanup-dryrun' }) 即可看到具体会删掉的号码样本(含 urlHash / domain / retained 明细),统计字段全量、样本默认 50 行可调。 第三层防御是否重新打开仍未拍板 —— 现在 Tony 可以先跑 dry-run 看清清单再决定; ENABLE_CONTACT_POOL_COORDINATE_CLEANUP 保持 false。

⚠️ 保持 recurring:判据修好了,三层防御只恢复两层,未完全闭环。


✅ 2026-08-31 结案 —— dry-run 实测:第三层防御不需要开

Tony 在 v0.10.125 上跑了 dry-run(contact-pool-cleanup-dryrun),真实结果:

scanned: 3137        扫了 3137 行 ContactPool 记录
affectedRows: 0      0 行受影响
totalPhonesRemoved: 0  0 个号码会被删
samples: []          无样本

一条坐标污染都没有。

已排除「判据太松导致假 0」

主控用新判据复测本 issue 的 5 条真实污染日志 + 1 条 baseline 坐标:6/6 仍全部判为噪音。 判据没有放松,是池子里确实没有。

为什么是 0

写入端一直在过滤(contact-pool.ts:88 的 cleanPhonesForPool),坐标进池之前就被挡掉; 而 v0.10.118~0.10.124 期间存量清洗一直开着,老污染早已清光。 存量清洗现在要清的只剩「当前判据仍算噪音」的行,而这些在写入时就进不来。

结论

🟢 「第三层防御要不要重开」这个待拍板项关闭 —— 答案是不需要开, 开了也是扫 3137 行删 0 条。这是用数据关掉的,不是猜的。

🔴 但同一份数据确认了一件不好的事:旧判据(dotCount>=2)在 v0.10.118~0.10.124 期间把坐标和法/比/瑞/美点分隔电话一起清光了,且不可逆写回。 ⇒ 采过欧洲商家的历史任务,需要在 v0.10.125 重新采集才能拿回那些电话。 已写进用户面文档 google-maps-collection 的电话格式说明。

这一刀的方法论价值

没有 dry-run 的话,这个决策点只有两条路:盲目开闸(无害但无用), 或者永远挂着没人敢碰。先出只读清单再决定把它变成了一次有数据的判断。

现象(用户截图 v0.10.114)

Homer Veterinary Clinic 行: - HTTP chip tooltip:「已采到:邮箱 0 个、电话 44 条(来自他人共享)/ mstage:success — success: 44 contacts (emails=0 phones=44) (pool-hit)」 - 但电话列只显示 +1 907-235-896…(1 个)+ 邮箱列 info@homervet.com(1 个)

用户问:"为什么显示 44 条,后边却只有 1 个手机呢?"

诊断(日志验证)

pageLogs[homervet]:
  emails=1, emailList=['info@homervet.com']     ← 真邮箱 1 个
  phone="0.5 15.0234, 11.5916 59.989, 11.8529 60.2645"
  phoneList(len)=10
  phoneList sample: ['0.5 15.0234', '11.5916 59.989', '11.8529 60.2645',
                     '12.7165 60.5762', '13.2591 60.3604']
  error: mstage:success — 44 contacts (emails=1 phones=35) (pool-hit)

44 条 phones 里 ~43 条是 GPS 经纬度坐标对(lat lng 格式),只有 ~1 个真号码。

根因 — phone 过滤太弱

src/utils/scraper.ts:177 PHONE_TEXT_REGEX:

/(?:^|[\s>(])(\+?\d{1,3}[\s.\-](?:\d{1,4}[\s.\-]){1,3}\d{2,9})(?=[\s<)]|$)/g

测试 "11.5916 59.989": - "11" → \d{1,3} ✓ - "." → 分隔符 [\s.\-] ✓ - "5916" → \d{1,4} ✓ - " " → 分隔符 ✓ - "59" → \d{1,4} ✓ - "." → 分隔符 ✓ - "989" → \d{2,9} ✓ - 匹配成功 ❌

后续 addPhone(line 442) 过滤:

if (digits.length < 8 || digits.length > 15) return;

11.5916 59.989 → digits "1159165989" (10 位) → 过 8-15 检查 ❌

addPhone 过滤层只看「数字位数」,没看分隔符模式。

数据流污染

  1. 网页含 Google Maps embed / SVG path / canvas → 大量浮点对
  2. scraper 误抓 → 写入 MapTaskData.emails/phones 字段
  3. 写入 ContactPool 共享池 — 这是最严重的(全球用户都受影响)
  4. 其他用户 pool-hit → 拿到同样垃圾 44 条
  5. 如云端同步开启 → 垃圾传播到云端

修复(v0.10.118)

#1 提取公用 helper isLikelyCoordinateNoise()

src/utils/scraper.ts:

export function isLikelyCoordinateNoise(rawPhone: string): boolean {
  const norm = String(rawPhone || '').replace(/\s+/g, ' ').trim();
  // 特征 1:≥ 2 个小数点(浮点对 / SVG path)
  if ((norm.match(/\./g) || []).length >= 2) return true;
  // 特征 2:以 ≤2 位数字 + 点开头("0.5" "11.59")— 电话不会 N.N 开头
  if (/^\d{1,2}\./.test(norm)) return true;
  return false;
}

#2 三层防御

层 时机 文件
写入侧 scraper addPhone() 提取后 scraper.ts
读取侧 ContactPool 查询命中后 contact-pool.ts queryContactPool*
存量迁移 engine session 启动跑一次 contact-pool.ts cleanPollutedContactPool()

三层之间互为兜底: - 写入侧防新数据污染 - 读取侧防云端拉来的脏数据 - 存量迁移修历史污染

#3 sysLog 可观测

appendSysLog('contact-pool', 'cleaned-polluted', {
  scanned: N, cleaned: M, totalPhonesRemoved: K
});
appendSysLog('contact-pool', 'hit', {
  ..., cleanedDirty: 5,  // 这次 pool-hit 过滤掉 5 个坐标
});

教训

  • 正则宽 + 过滤弱 = 字段被污染
  • 共享数据是 product surface — 写入前必须 validate,比单用户 UI 显示重要 10×
  • 三层防御是数据质量必备模式:写入 / 读取 / 存量迁移
  • count tooltip 是真理之口:用户问"44 条但只有 1 个"是黄金信号 — UI 数字差距是 data quality 的早期预警
  • v0.10.10 加 phoneTier1/2/3 时设计的「分隔符要求」是对的,但 Tier 3 自由文本只看长度不看格式 — 这次补上

通用 rule

加 docs/rules/phone-extraction-quality.md(待写):phone 提取的多层质量过滤规范。