跳转至

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

  1. 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。
  2. 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。)
  3. 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 --noEmit exit 0;npx vitest run 532 passed(451 → 532,+81)
  • pnpm verify exit 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。