ISSUE-0102 · Tel. 的点打断 Tier2,配括号区号导致整号丢失¶
症状¶
输入 Tel. +49 (89) 3803 5491 (西门子 Impressum 原文)
Tier2 [] ← 关键词层:`Tel` 后面的【点】不在 [::\s]* 里,匹配中断
Tier3 [] ← 裸文本层:`(89)` 的括号打断 PHONE_TEXT_REGEX
结果 号码整个丢掉
单独看每一层都只是「少抓一种写法」,两层的失效条件在欧洲写法上高度重合:
用 Tel. 缩写的站点,往往也用 +49 (89) 这种括号区号 —— 于是两道防线一起塌。
影响面¶
刀 0 语料(62 页 / 15 国真实企业站)实测该形态 13 处:
Tél.(法语)此前还会抓出带前导点的脏数据 ". 4 73 32 20 00"。
根因¶
PHONE_CTX_REGEX 的分隔符类是 [::\s]* —— 只有冒号、全角冒号、空白。
而欧洲 Impressum 的标准缩写写法是 Tel. / Tel.: / Tél. / Fax.,点是标签的一部分。
修复¶
- ...|handy|mobil)[::\s]*(\+?[\d\s\-()./]{7,25})/gi;
+ ...|handy|mobil)[::..・\s]*(\+?[\d\s\-()./]{7,25})/gi;
加半角点、全角点 .、日文中点 ・(日语站 Tel・03-… 写法)。
防回归:tests/phone-ctx-dotted-label.test.ts。
🔴 该测试从源码实读正则(不复制一份到测试里),否则改了源码测试还绿。
一个被证伪的猜测(记录以免后人重踩)¶
修这条时顺带怀疑:词表项 tel 没有词边界 ⇒ hotel 会不会误命中?
构造用例 Grand Hotel 1234 5678 确实误抓,于是一度判为 Bug。
实测 9 个真实形态后证伪:
Hotel Adlon 10117 Berlin ✅ 不误抓
Best Western Hotels 2024 1234 ✅ 不误抓
Bundeskartellamt 53113 Bonn ✅ 不误抓
Cellular Line 20126 Milano ✅ 不误抓
触发条件其实很窄:*tel* 单词后必须紧跟 ≥7 字符的纯数字/空格串。
真实商家名后面跟的是名字或地址(Hotel Adlon、Hotel Vier Jahreszeiten),字母把匹配挡住了。
刀 0 语料零命中。
⇒ 机制真实存在但风险低,暂不加词边界(加了要重验整个词表的交互,代价高于收益)。 ⇒ 教训:用自己编的用例发现的「bug」,必须拿真实语料复核再定性。
遗留¶
Tier3 被括号区号打断(+44 (0) 121 683 5620 → 只抓到 121 683 5620,丢国家码)未修。
本次靠 Tier2 兜住了,但 Tier3 自身的缺陷仍在 —— 登记进 SPEC-012-phone-pipeline 下一刀。