跳转至

ISSUE-0120 · 企业税号/注册号被抓成电话

实证起因

ISSUE-0119 的对抗审查抓到:米其林页的 SIREN(法国工商注册号)855 200 507 走完了整条链路 ——

michelin.com.html 原文:
  ... Clermont Ferrand Trade and Companies Registry Number 855 200 507
      - SIREN Number 855 200 507 - Vat Number FR33855200507
  • 三道既有噪音闸(isLikelyCoordinateNoise / isLikelySlashDateNoise / isLikelyFloatRangeNoise)全部 false
  • noise-shape 守卫要求「小数点后 4 位以上」,纯空格分组的 855 200 507 不触发
  • 规范化通过(被同页唯一的 +353 1 7063476 劫成爱尔兰)
  • getType() 返回 MOBILE,导出 CSV 的类型列写「手机」

⇒ 用户按类型=手机筛出来做 WhatsApp 群发,会发给一个陌生号码(不可撤回)。

SPEC-012:411 早就把「企业税号/注册号」列为仅有的两类会被误抓成电话之一, :837 的判据形态里也写着「② 反向词 法定编号(USt-IdNr / SIREN / HRB / KvK / NIP…)⇒ DROP」 —— 只是一直没落地。

🔴 这条判据与既有三道噪音闸的根本差异

它看【上下文】,它们只看号码串本身。

855 200 507 在形态上与真电话完全同构 —— tests/fixtures-coord-noise.json 的 _known_miss_reason 已经三路对抗实测论证过「继续在字符串层加规则会误杀真号码」 (西班牙 3-3-3 分组与德式千分位同形)。唯一能区分税号与电话的信息, 在它前面的标签里,不在号码里。

判据设计

反向词标签  +  最多「Nr./No./Number/ID + 冒号 + 空白 + 2-3 位国家码字母」  +  号码
            └─────────────── 必须紧邻,正则以 $ 锚定到回看窗口末尾 ──────────────┘

回看窗口 LEGAL_ID_LOOKBEHIND = 64 字符,跨行(SPEC-012 明写:标签常在上一行)。

🔴 「紧邻」是本刀在 spec 形态之上的收窄,不能省

只写「窗口里出现过 VAT」会误删真电话:

For VAT questions call 0711 486860    ← 0711 486860 是真号
Handelsregister Stuttgart. Tel: 0711 486860
VAT registered. Phone 0711 486860

这是 DROP 类判据,误删不可逆,而项目硬规是「宁可漏判不可误删」。 所以正则以 $ 锚定:反向词必须紧贴号码,中间夹了实词就不算。

🔴 结尾不用 \b

SPEC-012 明写(见 ISSUE-0101):USt-IdNr、P.IVA 这类带连字符/点号的词, \b 会把它们切碎。

词表只收明确的法定编号标签

收 USt-IdNr / VAT / SIREN / SIRET / HRB / KvK / NIP / Steuernummer / Handelsregister / Registry Number 等;不收 Nr. / No. 这种泛用词。

效果

结果
米其林 SIREN 不再入库(全链路实测 含 855 200 507 = false)
真实语料 36 页 114 → 113 条,只少了这一条
全量测试 881 全绿(新增 23 条)
边界用例 14/14 一致(9 条法定编号 DROP、6 条最容易误伤的真电话全部 KEEP)

证据

四路变异:L1(去掉判据)红 2 条、L2(去掉紧邻锚定 $)红 5 条。

⚠️ 两条变异没咬住,都如实处理了

L4(回看窗口 64→500):第一版测试用 LEGAL_ID_LOOKBEHIND 常量本身去构造 填充长度 ⇒ 窗口改大时填充也跟着变大,测试自适应了被测值,怎么改都不红。 这是第 10 个假闸,形态是「用被测值构造输入」,比铁律 23 说的「断言不全」更隐蔽。 改成固定 PAD = 100(> 64 当前窗口、< 500 变异值)后咬住。

L3(去掉 Tier1 豁免):代码里写了 tier !== 1 && 的豁免, 意图是「站主主动声明压过上下文启发式」。实测它当前不可达 —— TEL_LINK_REGEX 捕获值的前文永远是 href="tel:,而紧邻判据只允许 Nr./No./冒号/空白/国家码字母,href="tel: 不匹配 ⇒ 反向词命中不了 tel: 号码。 保留它是防御性的(万一将来改捕获形态),但不假装它被覆盖了 —— 源码注释与测试都如实记了这一点。

证据边界

  • 词表是开放集合,只覆盖了 SPEC-012 点名的语种 + 几个常见变体。 未覆盖的法定编号标签(其它国家、其它写法)仍会漏判。
  • 「宁可漏判不可误删」的取舍下,漏判的量没有测量 —— 不知道真实数据里还有多少税号在被当成电话。
  • 米其林那条在真实接线里本来就进不了库(data.phones.slice(0, 5) 而它排第 7), 所以本刀的实际收益没有量化;它防的是同类形态里排进前 5 的那些。
  • 未在真实 Chrome 扩展里端到端跑过。