跳转至

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

&#64;   在 <script> 里 → []                      ← 0105 的 RAWTEXT 拦住了
@  在 <script> 里 → ["ghost@tracker.io"]    ← 0106 没拦住

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: &#x2B;46 70 782 63 74&lt;/p&gt;</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 &lt;/p&gt; 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 &#64; 凭空造邮箱

<a href="…?utm_email=lead&#64;rival.com">   → ["lead@rival.com"]
<link nonce="l&#64;ghost.com">              → ["l@ghost.com"]
<button onclick="send('junk&#64;tracker.io')"> → ["junk@tracker.io"]

语料佐证服务端确实会把属性里的 + 转成 &#x2B;(sandvik 的 <script nonce="934q&#x2B;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

<!-->        之后整页不解码
<!-- x --!>  同上
<i data-t="<!--"></i>   属性里的字面 <!-- 也会触发

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 &commat; &plus;、前导零 &#0000064; 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:

正文段      → ENTITY_ALLOW       (+ @ +)
开始标签内  → ENTITY_ALLOW_IN_TAG(只 +)
不解码区    → ENTITY_ALLOW_NONE  (零解码,仅切断)

验证

  • tests/entity-decode.test.ts 37 → 59 例;js-escape-normalize.test.ts 22 例
  • 全量 npx vitest run 532 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
&commat; &plus; 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。