跳转至

ISSUE-0121 · 电话置信度分档

SPEC-012 判据三步的最后一步。① 形态剔除、② 反向词(ISSUE-0120)已落地。

🔴 关键认识:现有三层抽取本身就是判据③

spec 定的是「电话词 ⇒ KEEP;否则看 + 前缀;再否则 UNKNOWN」。 本来以为要新写一套词表判据,读代码后发现判据早就在跑:

tier 抽取来源 对应 spec
0 用户自定义正则(覆盖三层级) 用户自己声明 ⇒ KEEP
1 tel: 链接 与 JSON-LD(共用 1) 站主结构化声明 ⇒ KEEP
2 PHONE_CTX_REGEX = 电话词 + 数字 就是「电话词 ⇒ KEEP」
3 PHONE_TEXT_REGEX = 自由文本 看 + 前缀 ⇒ medium / 否则 UNKNOWN

信息一直在 phoneCandidates[].tier 里,只是落地时被 phones.push(c.norm) 丢掉了。

⇒ 本刀零判据改动、零误伤风险,只把它透传出来(phoneMeta,与 phones 同下标) 并用于排序。

⚠️ tier 编号与直觉不同,读代码核过:0 是自定义正则不是 JSON-LD; JSON-LD 与 tel: 共用 1。初版注释写成「0=JSON-LD」是错的,已订正。

🔴 UNKNOWN 不是 DROP

SPEC-012 的批三实测(判据从未见过的干净验证集,27 页 15 国): 表态率 57/69 = 83%,KEEP 56 / DROP 1 / UNKNOWN 12,KEEP 假货 0。

⇒ 有标签的那批极可靠;没标签的不代表是假号(spec 记的 12 条 UNKNOWN 里, 一类是「无标签的号码,需要国家号段表」,一类是产品正则把 +44 (0) 121… 切碎了)。

项目硬规「宁可漏判不可误删」⇒ 一条都不丢,只标置信度、只改顺序。

排序才是价值所在

ISSUE-0120 记过一笔:米其林那条 SIREN「在真实接线里本来就因 slice(0,5) 进不了库 (它排第 7)」。反过来说:同类噪音只要在 DOM 里靠前,就会挤掉后面的真电话 —— 这是个彩票式的结果。

scraper-executor.ts 的 extractedPhones 现在按置信度稳定排序后再交给 slice(0, 5),于是保留的是最可信的 5 个而不是文档里最先出现的 5 个。

  • 稳定排序:同档内保持 DOM 顺序,不引入新的顺序依赖 (v0.10.145 已把判国的 ② 级改成唯一性判据、顺序无关,所以重排安全)
  • 不丢任何一条,只改顺序;丢弃仍由下游的 slice 上限决定(既有行为)

证据

全量 896 全绿(新增 15 条);六路变异 C1/C2/C4/C5/C6 咬住。

⚠️ C3 没咬住,如实记录

变异「去掉 a.i - b.i 这个 tie-breaker」测试全绿 —— ES2019 起 Array.prototype.sort 本身就要求稳定,V8 已实现, 所以那行在当前运行时是冗余的。保留它是显式化(不依赖引擎保证、意图一眼可见), 但不假装它被测试覆盖着:那条用例的标题已从「稳定排序」改成 「引擎已保证,此处锁结果不锁实现」。

C5 / C6 第一版也没咬住,已补

  • C5(phoneMeta 不同步截断):要 >50 个号才触发,第一版没构造那么多 ⇒ 补了 60 个号的用例。
  • C6(executor 不排序):测试全在纯函数层,没测接线 ⇒ 补了源码断言 (scraper-executor.ts 顶层拖着 wxt/browser + jsstore,vitest node 环境模块加载即炸, 同 data-view-selection.ts 顶部注释记录的原因)。

证据边界

  • 置信度没有落库(phone 是合并显示串,没地方放)。它只在抓取时用于排序, 展示层看不到 —— 用户在列表里分不出哪条是 high 哪条是 low。 要让它可见需要 schema 支持,属于四方案论证里判为「现在不该做」的那一类。
  • ~~排序的实际收益未量化~~ ✅ 已量化(对抗审 integration lens 的三方对照实跑, 36 页真实语料):3 页的前 5 发生变化,全部是高置信度号上位 ——
页面 变化
leica-camera.com 800 222 0118(无标签裸号)被 +1 212-529-3400 顶掉第 1 位
michelin.com +353 1 7063476 从第 6 挤进前 5(原本会被 slice 切掉)
skoda-auto.com 带 + 的 +420 236 090 排到裸号 420 326 721 之前

⇒ 36 页里 8% 的页面因此改变了实际入库的 5 条。 - SPEC-012 批三的 83% 表态率是 spec 作者的实测,本刀未复跑。 - 未在真实 Chrome 扩展里端到端跑过。