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 ):
⇒ 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。