ISSUE-0123 · 反向词子串误命中¶
症状(对抗审 P1 实证)¶
ISSUE-0120 加的法定编号反向词判据,把含三字母缩写的普通单词也当成了标签:
Mexico: 55 1234 5678 → ICO ⊂ Mex[ICO] ⇒ 真电话被 DROP
Puerto Rico 787 123 4567 → ICO ⊂ R[ICO] ⇒ 真电话被 DROP
Tel. Mexico: 55 1234 5678 → 🔴 连电话词标签也救不回来
端到端实测:extractDataFromHtml('<p>Mexico: 55 1234 5678</p>').phones 返回空数组。
🔴 为什么这条是 critical¶
- 外贸场景的常见抬头。「Mexico 办事处 / Puerto Rico 分公司」在跨国公司的 联系页上是标准写法 —— 这不是构造出来的边角案例。
- 判据在
addPhone最前面 return,跑在所有 tier 之前 —— 哪怕站主明明白白写了Tel.,号码照样消失。 - 完全静默。用户不会知道少了一条,无从察觉、无从核对。
- DROP 不可逆,而项目硬规是「宁可漏判不可误删」。
根因:把 SPEC 的「结尾不用 \b」照搬到了开头¶
SPEC-012 明写「两个词表都跨行看 before,且结尾不用 \b」——
理由是 USt-IdNr、P.IVA 这类带连字符/点号的词会被 \b 切碎(见 ISSUE-0101)。
那条约束只针对结尾。我实现时开头也没加词界,于是 ICO(捷克注册号)、
VAT、NIF、RFC 这些三字母缩写变成了子串匹配。
修法¶
开头加 (?:^|[^A-Za-z0-9]) —— 要么在回看窗口开头,要么前面是非字母数字。
不影响 USt-IdNr(它前面通常是空白或标签),也不动结尾的宽松匹配。
顺带修:USt-IdNr 的真实变体漏判¶
同一轮对抗审在 5 个真实德国站(wuerth / geberit / bosch / trumpf / viessmann) 抓到词表覆盖不全:
| 形态 | 来源 |
|---|---|
USt-Id-Nr. |
trumpf.com —— 第二个连字符 |
USt.-IdNr.: |
viessmann.de —— 点 + 冒号 |
UStIdNr |
全连写 |
Ust-ID-Nr |
大小写混排 |
⇒ 分隔符统一放宽成 [-.\s]*;尾部标点从「至多一个」放宽成 [::.\s]*。
效果¶
29/29 全对:14 条法定编号 DROP、15 条真电话 KEEP (含 Mexico / Puerto Rico / Vatican / Barcelona / Monaco / Austin / San Francisco)。
🔴 为什么我自己的测试没发现¶
ISSUE-0120 的 23 条测试全绿,全量 898 也全绿 —— 因为我的 KEEP 用例全是
「反向词以独立单词出现」的形态(For VAT questions call…),
没有一条构造「反向词作为子串藏在普通单词里」。
这不是假闸(测试确实在测东西),是用例集合的盲区: 我按「判据会怎么被绕过」设计用例,没按「判据会怎么误伤」设计。 对 DROP 类判据,后者才是主要风险。
证据¶
全量 914 全绿(新增 16 条);变异「去掉开头词界」红 4 条。
证据边界¶
- 词表仍是开放集合。这轮补了 USt 变体,但其它国家/语种的写法未穷举。
- 三字母缩写的子串风险只按已知词表验证过:
ICO/VAT/NIF/CIF/RFC/ABN/ACN/EIN/GST/DIC都在词表里,我只实测了其中几个的误伤面。 哪天往词表加新的短缩写,必须重跑这组 KEEP 用例。