跳转至

ISSUE-0133 · 社媒 URL 的池守卫 + 计数口径

缺陷一:判据在抽取层闭包里,池够不到(第六次同形状复发)

抽取层对社媒有三道判据,全在 extractDataFromHtml 的 forEach 闭包内:

  1. SOCIAL_PATTERNS 正则内嵌的负向前瞻 —— 排除 sharer / plugins / tr / business / intent / watch / explore 等非主页路径
  2. handle 长度(fb ≥5、tw 4–15、其余 ≥3)
  3. socialBlacklist

SOCIAL_PATTERNS 是模块内 const、没有 export,判据又内嵌在正则里 ⇒ ContactPool 的三层(写入 / 云端拉回 / 存量清洗)物理上够不到任何一道。

🔴 订正我自己两处不准确的声称

  • ISSUE-0132 的证据边界写「URL 型社媒仍无任何校验」——不准确。 抽取层有校验,只是够不到。真正的边界是「判据在别处」,不是「没有判据」。
  • cleanSocialsForPool 的注释写「其余字段是 URL,号码判据不适用,原样保留」—— 前半句对,但它把「号码判据不适用」当成了「这一类没有可用判据」的结论。

两处都属于「证据边界」漏写了真正的边界:作者知道自己没做, 但把「没做」的原因归给了一个错误的理由,于是这条缺口在后续几版里都没人再看它。

🔴 有意不做的:长度判据不进池

抽取层的 fb ≥5 / tw 4–15 / 其余 ≥3 没有接进池守卫。理由:

facebook.com/bmw    facebook.com/nike    facebook.com/ups    twitter.com/ups

都是真实的大品牌主页,handle 只有 3–4 字符。抽取层用长度过滤噪音残片是合理的 (它面对整页 HTML 的误命中),但池里的值是跨用户共享且存量清洗不可逆的:

代价
误删真主页 数据永久丢失(用户 2 万+ 条,无回收站)
放过 facebook.com/ab 用户点开 404

⇒ 池这层只做客观形态判据,启发式阈值留在抽取层。 这与 ISSUE-0132「用户偏好不进池」是同一条原则的另一面: 判据的确定性够不够格作用在别人的数据上。

🔴 比抽取层多一道:命中必须覆盖整串

抽取层用 matchAll 从整页 HTML 搜索、把命中片段剥出来存,天然是搜索语义。 池里存的是完整值,若直接 .test():

evil-phishing.com/?next=facebook.com/mycompany   ← 会命中
tracker.net/redirect?to=instagram.com/mybrand    ← 会命中

要求 hit 覆盖整串(允许尾随 / ? #)才放行。

缺陷二:计数器与清洗器口径不同源

const filteredSocials = cleanSocialsForPool(r.socials);   // 会删 URL 型
const waRemoved = r.socials?.whatsapp && !filteredSocials.whatsapp ? 1 : 0;
const removed = phonesRemoved + emailsRemoved + waRemoved;   // ← 只数 whatsapp
if (removed > 0) { /* 写回 */ }

一条记录只有 URL 型社媒是脏的 ⇒ removed === 0 ⇒ 整条不写回 ⇒ 清洗器删了,但删除等于没发生。

根因是计数器数的是写死的字段名,而清洗器管的是整个对象。 改成「数清洗前后少了哪些键」,两者同源。dry-run 的采样列表同样改为列出所有被删的键 (原来也只列 whatsapp —— 用户在 dry-run 报告里看不到 URL 型的删除)。

这条是被测试逼出来的

我先写了池守卫,四路变异里 R1(池守卫退回原样保留)只红了源码断言、 行为断言全绿 —— 说明当时没有任何用例真的走过 URL 型社媒的清洗路径。 补上行为断言后当场红,cleaned 期望 1 实得 0,才挖出计数口径这条。

证据

全量 967 全绿;四路变异全部咬住,每路 md5 证明真改到文件、还原逐字节一致:

变异 结果
R1 池守卫退回「URL 型原样保留」 红 2(源码断言 + 行为断言)
R2 去掉「覆盖整串」加固 红 1
R3 把长度判据加回池守卫 红 2(含「零误杀真主页」)
R4 计数退回只数 whatsapp 红 1

判据本身在 20 条真号 + 11 条脏值上验过:零误杀、全拦下。 真号里特意含短 handle 品牌主页、尾斜杠、带协议、www.、profile.php、pages/ 变体。

🔴 顺带:一次「变异自测本身是假的」(铁律 25)

本轮第一次跑 R1/R2/R3 时三路都"红"了,实际上一个测试都没跑:

T="a.test.ts b.test.ts"; npx vitest run $T     # zsh 不做词分割 ⇒ 一个不存在的路径
# → No test files found, exiting with code 1

而我只 grep 'Tests ' 看到空输出,就判成「变异咬住」。 用字面路径重跑才是真的。已沉淀为铁律 25(假闸第五形态:测试压根没跑,而我以为它跑了)。

证据边界

  • 存量清洗在真实库上的实际影响未验证。dry-run 测试用的是构造数据; 用户库里 URL 型社媒的历史形态未知(老版本可能存过带协议 / 带 UTM 参数的值)。 ⇒ 建议用户先跑 dry-run 看采样再开闸 —— 现在采样会列出所有被删的键,这一点比之前可核。
  • 自定义社媒(parseCustomSocials 产出的键)放行,没有判据可用。 用户自己配的正则若抽到脏值,池这层拦不住。
  • 未在真实 Chrome 扩展里端到端跑过。