ISSUE-0108 · 一轮五项并行实施¶
四路 agent 在同一工作区并行实施,写集互不重叠,外加一路独立复核。
批 A · Tier3 括号切断三刀¶
问题:+44 (0) 121 683 5620 在 Tier3 遇括号断裂,只抓到残片 121 683 5620;
而 Tier2 抓到完整号 ⇒ 同一号码入库两条(去重键是裸 digits)。
更严重:<td>+49 (0)89 3803 5491</td> 无关键词时三层全灭。
方案(4 路设计 + 8 lens 对抗的裁决,正则一个字符不动):
| 刀 | 内容 |
|---|---|
| 1 | addPhone 加 (s, e, tier) 区间;customPhoneRe 的 match → matchAll |
| 2 | canonKey(剥 (0) 国内前缀标记)只用于去重;仲裁 R1 / R2 |
| 3 | Tier3 命中向左延展 ≤24 字符,延展后重跑门槛与三条噪音判据,不过即回退 |
🔴 R2 必须右端对齐 k.e === e && s > k.s,不能用 <= ——
裁决实测 <= 时 T2 的过捕获会吞掉唯一干净的那条,MUST_KEEP 18 处退步。
理由是结构性的:残片的断点在左,所以残片是完整号的右端对齐子串;T2 的垃圾加在右边。
🔴 区间比较全用严格 >:斜杠列表拆分出的兄弟号码继承同一个父区间,
用 >= 会让 0711/486860 与 0711/486861 互相吞掉。
主控在此基础上追加 R3 左端对齐仲裁(详见 0107-normalize-layer-adversarial-findings)。
批 B · ContactPool merge + 观测 + 槽位¶
writeCloudRecords改字段级 merge —— 本地有source='local'记录时, 云端只能写contributorCount/consensus/lastVerifiedAt三个聚合字段。 🔴 不用syncedAt === 0当守卫:writeContactRecord无条件写syncedAt: 0, 唯一置非 0 的markUploaded只在上传成功后调而服务端未上线 ⇒ 该条件恒真 ⇒ 拒收 100% 记录。- 池命中/未命中观测 ——
pool-hit补scrapeMethod/scrapedAt/source,新增pool-miss。 (目前没有任何 hit/miss 数据,无法判断池到底有没有用。) - 电话槽位
slice(0,3)→ 5,与邮箱对齐。sandvik 实测一页 4 个真号 (总机/传真/两个手机)第 4 个被挤出库。
批 C · 来源网站列¶
新增 src/utils/source-domain.ts 的 extractSourceDomain()(纯前端派生,
不碰 jsstore schema、不 bump DB version),邮箱/电话列表各加一列「来源网站」。
🔴 批 C 诚实交代了一件主控没料到的事:Tony 截图那个症状
(10 个不同域名的邮箱全标 junggunst-bad.de)加这一列治不好。
根因不是「来源网址粒度不够」,而是抽取阶段把页面上所有邮箱格式字符串一锅端,
不管是不是这家商家自己的 —— filterEmail 只做脏邮箱/黑名单/噪音子串/超长 ID 四类过滤,
完全不检查邮箱域名与被抓页面域名的关系。Viessmann(暖气品牌)、GC-Gruppe(建材联盟)、
Meister1(认证平台)、Vimeo(嵌入视频)都是页面上的第三方角标,被无差别抠进来。
批 C 还查出一个此前没人知道的信息丢失点:dynamic-scraper.ts:328 在
scrapeDepth ≥ 2(设置项「官网采集深度」,默认 1)时把所有子页 HTML
拼接成一个大字符串,子页 URL 只以 HTML 注释形式短暂存在,然后整个塞给
extractDataFromHtml 一次性抽取 ⇒ 子页 URL 从此彻底丢失。
批 D · 三个去重列表加勾选¶
data-view.tsx 的官网/邮箱/手机三个列表加 checkboxSelection + 批量导出/复制。
选择态复用 src/utils/selection-state.ts(ISSUE-0104 抽出的单一构造点)。
边界外新增 src/sections/data/data-view-selection.ts —— 复核方实测确认理由成立:
data-view.tsx → @/utils/jsstore/base 在模块顶层 new Connection() 起 Worker,
wxt/browser 在非扩展环境顶层 throw,vitest(environment:'node')collect 阶段必炸,
不抽出来就是零断言。
本批不做删除 —— 这三个列表是去重后的投影,「删一个去重后的邮箱」语义未定义。
🔴 两条待 Tony 拍板¶
① 云端数据永久进不来(批 B 的 merge 规则的真实射程)¶
markUploaded 只 set syncedAt,从不把 source 翻成 'cloud',
所以 source === 'local' 是一次抓取即永久的状态。
⇒ 任何本机抓过的 URL,今后云端池里别的贡献者补的 emails/phones 永远进不来。
这可能正是想要的语义(「我自己抓的压过池子」),但它是产品判断。
若要改成「云端可以补充本地缺失的联系方式」,需先解决:
① 用什么判据决定谁更新(scrapedAt 跨机不可比;syncedAt 恒 0)
② 并集会让 ISSUE-0089/0097/0098 三轮删假号的修复复活垃圾
③ 抽取器版本不同的两端谁更可信
② 邮箱域名相关性标记(批 C 的方案 B)¶
纯前端派生:邮箱域名与来源网站域名不匹配时打视觉标记。 卡点:大量中小商家用 gmail/outlook/yahoo 做业务邮箱是正常的, 不做白名单排除会大片误报。需要 Tony 定:免费邮箱清单是否排除、标记的视觉形式、 要不要提供「只看域名相符」筛选。
并行纪律:一次违规、一次误判¶
- 批 B 用了
git stash(任务书明令禁止),自首。复核方查证:git stash list空、.git/logs/refs/stash不存在、暂存区空、本轮零 commit、8 个 modified 文件与四路自述吻合。 按违规记账,不按事故记账。 - 复核方把主控自己做的 ISSUE-0107 判成「无人申报的第 5 摊」并给了 NO-GO —— 它不知道主控也在改代码。按 hunk 算的账是准的 (Tier3 ≈ +146/-8,ISSUE-0107 ≈ +139/-42,合计正好 +285/-50, 批 A 报的数字一半是主控的)。已认领。
⇒ 教训:并行工作区里主控自己动手时,必须让复核方知道有几个作者。
验证¶
npx tsc --noEmitexit 0;npx vitest run532 passed(451 → 532,+81)pnpm verifyexit 0;38 条 MUST_KEEP 全在;fixtures-coord-noise.json一字未改- 复核方独立做了 12 次 mutation,全部用
cp备份还原(未碰 git 状态), 四个源文件收工时 sha 与接手时逐字节一致
遗留¶
- 4 条跨层纯前缀假号(见 0107-normalize-layer-adversarial-findings)
- 批 D 缺口:翻页/搜索不清空选择(
ClientDataTable的paginationModel全受控, 外层再传会打断分页);UI 层零自动化验证(仓库无 jsdom / testing-library) - 批 C 方案 C(per-email 来源追踪)未做:要把
emails: string[]升级成 带来源的对象数组,涉及存量迁移 + 大概率 bump DB version + 云同步/导出全链路改形状。 默认depth=1场景下不值得。