ISSUE-0107 · 归一层对抗审查九条¶
对已提交的 ISSUE-0105(实体解码)+ ISSUE-0106(JS 转义)做独立对抗审查, 4 个 lens 产出 9 条 finding,主控逐条独立复现,无编造。
P0-1 · 两种编码各切各的,护栏被绕开¶
这是主控的直接失误:写 normalizeJsEscapes 时没给它 RAWTEXT 切段,
等于把上一刀刚建的护栏绕开。entity-decode.test.ts 里那条
「script 里的号码不入库」的断言,换个编码就破。
修复中撞到的真两难¶
- script 段完全不碰 → ISSUE-0106 那批
u003einfo@…脏前缀回归 (\不在邮箱字符集,正则从u起匹配) - script 段照常解码 → 幽灵邮箱
ghost@tracker.io入库
解法:skip 段「只切断、零解码」(ENTITY_ALLOW_NONE)。
> 断成换行让干净邮箱浮出来;@ 也断成换行,
ghost 与 tracker.io 之间没有 @,构不成邮箱。两头都堵。
P0-2 · Tier3 回溯吐出纯前缀假号¶
输入 <div>Phone: +46 70 782 63 74</p></div>
输出 ["+46 70 782 63 74", "+46 70 782 63"] ← 后者是假号
根因是 Tier3 的行尾前瞻在实体化的 </p> 收尾上失配 → 回溯吐前缀。
sandvik 三页各 2 条,一页里垃圾占 33%。
修法:R3 左端对齐仲裁(与批 A 的 R2 右端对齐严格对称):
| 规则 | 判据 | 挡什么 |
|---|---|---|
| R2 | k.e === e && s > k.s |
断点在左的残片(右端对齐子串) |
| R3 | k.s === s && e < k.e |
断点在右的残片(同起点回溯产物) |
🔴 为什么必须锚定 s 相同,不能做「纯前缀就吸收」:
DE 总机 +49 30 450 50 与分机 +49 30 450 50 4222 在 digits 上同样是纯前缀关系,
但它们在文档里是不同位置。左端对齐把「同一次匹配的回溯产物」与
「文档里两个独立号码」从结构上分开,不靠任何阈值。
🔴 fromSplit 豁免(实测挖出,设计时没预见):
T1 与 T2 会在同一起点捕获不同长度的串(T1 的 {7,20} 字符上限会把长列表截断),
各自斜杠拆分出的子号码继承各自父区间,于是「同起点 + 区间真包含」在它们之间恒成立 ——
实测把 0711/486860 吃掉了。它们不是回溯产物,是不同层的不同捕获。
P1-3 · 属性里的 @ 凭空造邮箱¶
<a href="…?utm_email=lead@rival.com"> → ["lead@rival.com"]
<link nonce="l@ghost.com"> → ["l@ghost.com"]
<button onclick="send('junk@tracker.io')"> → ["junk@tracker.io"]
语料佐证服务端确实会把属性里的 + 转成 +(sandvik 的 <script nonce="934q+FU/…">)。
修法:标签内用降级白名单 ENTITY_ALLOW_IN_TAG,只解 +,不解 @。
P1-4 · RAWTEXT_RE 在病态输入下 O(n²)¶
'<script '.repeat(n) |
修前 | 修后 |
|---|---|---|
| 16 KB | 13 ms | 0 ms |
| 63 KB | 206 ms | 1 ms |
| 156 KB | 1290 ms | 0 ms |
10× 输入 → 100× 耗时。2MB 外推是几百秒的同步阻塞。
⚠️ perf lens 自己先判「不成立」,被裁决方驳回 —— 它测的是 <script src=a.js>
(自带 >,[^>]*> 一次即命中,必然线性),输入形状选错了。主控实测确认裁决方对。
修法:(?=[\s/>]) 前瞻(既防 <scriptfoo> 误匹配,也消回溯)+ 2MB 长度闸。
P1-5 · 一个畸形 <!-- 静默关掉整页解码¶
构造成本五个字符,且静默无痕。
修法:注释分支认 <!--> / <!---> / --> 三种畸形收尾;
且把「普通开始标签」加进切分的 alternation ——
扫描到 <i 时开始标签分支先整体吃掉它,属性里的 <!-- 就不会被当注释。
P2 组¶
- P2-6:源码注释里写死的不变量是假的 —— 截断点落在开始标签内部时
|$那支整条失配。补<script\b[^>]*$单独一支。 - P2-7:
\n→空格 把两个号焊成一条(030 1234567\n0711 486860→ 17 位超门槛整条丢)。 改成换行。 - P2-8:命名实体
@+、前导零@两条零成本旁路。补上。
重构:单次扫描分派¶
原来两个函数各切各的,现在合成一次扫描、按段分派:
验证¶
tests/entity-decode.test.ts37 → 59 例;js-escape-normalize.test.ts22 例- 全量
npx vitest run532 passed - 36 页语料:电话 106 · 邮箱 83 ·
u00XX脏前缀 0 · 纯前缀假号 10 → 4 - 复核方独立做了两处 mutation 确认闸真实:
ENTITY_ALLOW_IN_TAG放开0x40→ 4 条转红;不解码区改成照常解码 → 2 条转红
行为变更(旧断言已更新)¶
| 旧 | 新 | 理由 | |
|---|---|---|---|
@ + |
不解码 | 解码 | 浏览器照常解码,不处理等于留旁路 |
| JS 转义白名单外的切断字符 | 空格 | 换行 | 空格会把两个号焊成一条 |
遗留¶
4 条跨层纯前缀假号(sandvik ×2 / skoda ×2)R3 抓不到 —— 它们起点不同,与「总机/分机」这类真号对在结构上无法区分。 要修需要国家号段长度校验(libphonenumber 级别的信息),本刀不做。