跳转至

ISSUE-0122 · 括号粘连的国际写法整条抓不到

起因

SPEC-012「遗留:批三那 12 条 UNKNOWN」把 121 683 5620(原文 +44 (0) 121 683 5620) 列为产品缺陷:「(0) 打断了匹配……登记为下一刀」。

实测发现 spec 点名的那条已经修好了(之前的 T3 左延展生效), 但同族里还有两个没修:

+44 (0) 121 683 5620   ✅ 抓到(spec 原样本)
+44(0)121 683 5620     ❌ 空      ← 连写
+49 (0)89 3803 5491    ❌ 空      ← 括号紧贴数字
+81 (0)3-1234-5678     ❌ 空      ← 日式同形

根因

T3 的左边界字符类是 (?:^|[\s>(]) —— 不含 )。 而连写形态里,号码主体前面的那个字符正是 ):

+44(0)121 683 5620
     ↑ `121` 的前一个字符是 `)`,不是空格/`>`/`(`

⇒ T3 连一个命中都产生不了。而「刀 3 左延展」只能延展已有命中 (PHONE_T3_LEFT_EXT_RE 需要先有个 T3 种子),所以它也救不回来。

tests/scraper-phone-arbitration.test.ts 里那条「已知未覆盖的边界」把这个诊断 写得一字不差:

(0)89 中间无空格,T3 的前缀字符类 [\s>(] 在 ) 处找不到合法起点, 连一个 T3 命中都没有 —— 刀 3 只能"延展已有命中",这里没有命中可延展。

修法:左边界加 )

一个字符。改前先做了六场景对照实测,确认只让漏抓的从空变命中:

场景 旧 新
+44(0)121 683 5620 [] ["121 683 5620"] ← 变了
+44 (0) 121 683 5620 命中 同
(212) 555-0100 [] []
0900 1 234567 (1,99 EUR/Min.) [] []
0 4.1566.84285(坐标残片) 同 同
(2024) 12 31(日期) [] []

命中之后,左延展会把 +44(0) 一并吞进来,最终得到完整的 +44(0)121 683 5620。

顺带修好的

  • 日式 +81 (0)3-1234-5678 —— 同根因,现在能抓到(另一条测试注释也点名过它)
  • 荷兰 +31(0)20 123 4567
  • 德式 +49(0)30 123 4567

🔴 按测试自己的指示删掉了那条「已知缺陷锁」

原测试写着:

🔴 这里断言的是【已知缺陷的现状】,不是期望行为。 将来谁把 (0)89 这种括号粘连修好,本条会转红 —— 那时候请【删掉本条】, 而不是把它当回归去"修回来"。(复核方 WARN,主控采纳)

照做:删掉那条,换成锁修好之后的正确行为 + 三条对照(括号区号 / 资费注记不得混进来)。

证据

全量 900 全绿(含新增);六场景对照实测确认零误伤。

证据边界

  • 同族里还有没修的:+49 (0) 711 486860 这类「国际前缀 + 两段分组」仍抓不到 —— 根因不同(T3 要求至少三段,ISSUE-0099 记的「首段 ≤3 位限制」的另一面), 改它要动 PHONE_TEXT_REGEX 的分组模式,风险高得多,本刀不碰。 带电话词标签时 T2 能抓到,所以德国 Impressum 的常见形态不受影响。
  • 六场景对照是手挑的,不是基准集全量跑;真实语料 36 页的回归由全量测试覆盖。