ASCII 横杠的数值残片逃过判据¶
Tony 2026-09-01 跑真实采集,background 日志暴露
id=8101一行抓进 30+ 条数值残片。
症状与根因¶
真实日志里的漏判样本:
0-80 41.66-80 1-1.524-4.577 0 2.036-1.486 0-1.656-1.206
5.944.689.955 1.677.823.281 10.936.512.101 1.573.975.548.261
两个不同根因:
| # | 形态 | 为什么漏 |
|---|---|---|
| ① | 含 ASCII 横杠(25 条) | DASH_LIKE_RE 只收 Unicode 破折号(U+2010/2013/2015/2212 等),不含 ASCII -。于是 1-1.524-4.577 算单个 token,走不到多 token 判据 |
| ② | 4+ 段德式千分位(14 条) | 基元 C 的规则「段数 ≥ 4 ⇒ 像电话」被绕过。5.944.689.955 是 4 段 10 位,与法国电话 01.42.68.53.00(5 段 10 位)同形 |
⚠️ 当初验证基元 C 用的 20 条样本里,千分位都是 3 段(10.000.000),没有 4 段的 —— 样本覆盖不足。
✅ 修复:只做一行改动¶
末位的 ASCII 连字符在字符类里是字面量,不构成范围。 折叠后那些串变成多 token 纯数值串,由既有基元 A 拦下 —— 没有新增任何判据。
| 指标 | 结果 |
|---|---|
| 真实漏判修复 | 24 / 41 |
| 真号码误杀 | 0 / 36 |
| 罕见国际格式误杀 | 0 / 15 |
| 测试 | 347 通过 |
🔴 为什么只做这一条:另两条路线都会删真号码¶
三路对抗(修基元 C / 正向识别千分位 / 止损)实测:
| 路线 | 修复 | 误杀 |
|---|---|---|
| 修基元 C(加段长模式) | 34/41 | 6 条真号码 |
| 正向识别千分位 | 38/41 | 6 条真号码 |
| 止损(只加横杠) | 24/41 | 0 |
攻击方用真实国际拨号惯例构造反例,主控逐条复核确认:
+34.912.345.678 西班牙固话(全国 3-3-3 分组) → 会被判千分位删掉
+34.612.345.678 西班牙手机 → 会被删
0711.123.456 斯图加特名片写法 → 会被删
0711.486.860 ⚠️ 就是 ISSUE-0098 保护的那个号码, → 会被删
只是把 486860 重新分组
「非首段全部恰好 3 位」不是千分位独有的形状 —— 它同时是西班牙等国电话的标准分组法。
连我们上一轮拼命救回来的 0711 486860,换个写法就会被这条新规则删掉。
⇒ 这是第六次证明:同形串在字符串层无解。
防回归措施¶
tests/fixtures-coord-noise.json 新增两组,it.each 逐条断言:
MUST_DROP_real_dash(24 条) —— 本轮修好的,钉死防滑回MUST_KEEP_rare_intl(10 条) —— 罕见国际格式,将来任何人想给判据加段长规则,这组测试会先红
KNOWN_MISS_ambiguous 补到 20 条,如实记录仍漏的(千分位 + 纯整数残片),
并写明这仍是开放集合、代表样本非穷举。
遗留¶
14 条 4+ 段千分位 + 2 条纯整数残片仍漏,维持放行(宁可漏判不可误删)。 根治需改问题形态,见 SPEC-012-phone-pipeline。