ISSUE-0139 · 邮箱截断身份串 + DOM 方向归档¶
一、邮箱从畸形身份串截出不完整地址¶
b@x.de 在原文逐字节存在(非伪造),但它是含 en dash 的畸形身份串的一段。
两路对抗审在 ISSUE-0138 那轮就提过(terra-dsh 判 P1、dshf 判 P2「既有语义、可接受」),
主控裁决修 —— 判据取电话侧已确立的「宁漏勿假」:
外贸用户拿邮箱直接群发,发给一个截出来的错误地址比漏掉更糟。
修法¶
匹配起点向左若是「本地部字符 + 坏边界字符串」⇒ 整段拒收。
🔴 不用正则 lookbehind:lookbehind 拒掉的匹配会被引擎右移一位重试,本地部后缀
照样命中 —— 实测 第3箱info@x.de 在 lookbehind 版抽出 nfo@x.de、
ab–cd@x.de 抽出 d@x.de(二次截断,更糟)。改用代码判据作用于
matchAll 的最左最长候选,continue 后引擎从匹配末尾继续,后缀无从复活。
效果¶
🔴 拦下:a–b@x.de / a—b@x.de / a"b@x.de / a<b@x.de / info@x–y.de → []
✅ 保留:info@x.de / a.b@ / a-b@ / a_b@ / a+b@ / mailto / info@x-y.de
语料 emails 82→82、唯一地址 60→60(零误伤)
🔴 二、一条被数据推翻的 P0¶
复审时 terra-dsh 判 P0「核心承诺未闭合」:a b@ a\tb@ a/b@ a,b@
a&b@ a=b@ a:b@ 七种形态仍会截出 b@x.de,「不能宣称本地部含类外字符 ⇒ 整段拒收」。
事实成立,结论不成立。 主控用 corpus-ent 36 页全量统计裁决:
264 个邮箱命中中,109 个(41%)的左邻字符正是这七类:
':' 90 次 ← mailto:kundenservice@fielmann.com(最标准的邮箱写法)
' ' 16 次
'/' 3 次
⇒ 拦掉它们 = 丢掉四成真邮箱。这批字符在合法用法中就是邮箱的左边界。
坏边界集有意只收「合法用法中不会紧邻邮箱」的那批(["'< + 非 ASCII 非空白)。
处置:订正措辞(代码注释不再宣称「含任何类外字符就拒收」, 改为明确列出收哪些、为什么不收另一批),残余面如实记档,不扩大拦截面。
⇒ 这是「审查方的 blocker 也要逐条验,不能照单全收」的又一实例。 它指出的残余是真的,但它没有论证「拦掉它们的修法存在」——而数据表明不存在。
🔴 三、DOM 信号方向:census 显示零收益,归档¶
ISSUE-0137 结案时写「这一族的正解只能是 DOM / 标签信号」。本轮先做了 只读可行性勘察,再做刀 1 影子 census(纯函数、不接生产),用数据回答值不值得做。
勘察发现的硬事实¶
extractDataFromHtml跑在 MV3 background service worker,没有 DOM / DOMParser ⇒ 完整 DOM 方案在当前架构落不了地- 但
outerHTML字符串本身保留标签 ⇒ 中间方案(phone-only 标签 tokenizer)可行, 只动 2 个文件(完整 DOM 要 8 个) - 完整 DOM 也解决不了同一 text node 内的裸数字串 —— 这一族本来就该宁漏
刀 1 census(36 页全量)¶
| evidence 类型 | 页数 / 条数 |
|---|---|
tel-attr |
4 页 / 14 条 |
jsonld |
4 页 / 10 条 |
text-node |
16 页 / 32 条 |
block-text |
0 页 / 0 条 |
| 合计 | 56 条 |
56 条 evidence 全部已被现有生产路径覆盖,新增真号为 0。
结论:归档,不做刀 2¶
ISSUE-0137 那句「正解只能是 DOM/标签信号」在信息论上基本正确, 但对本项目的真实数据收益为零 —— 36 页语料里那三个失败形态(座机+手机连写 / 裸年份 / 资费注记)本来就是 0 命中。
⇒ 维持「无独立边界则宁漏」,不再投入这个方向。 若将来真实用户数据里出现这批形态,重新用 census 量化后再评估。
刀 1 产出的 tokenizer / census 脚本不合并进仓库(不接生产的死代码是维护负担), 证据保留在本文档。
证据¶
全量 1078 → 1065 全绿(删掉刀 1 的 13 条实验测试后)、tsc rc=0、
语料 emails 零误伤。双路独立对抗审。
证据边界¶
- 🔴
a b@x.de/a:b@x.de等七种形态仍会截出b@x.de—— 有语料支撑的取舍 (拦掉要丢 41% 真邮箱),不修。 - 纯 UTF-8 本地部(EAI / RFC 6531,如
信息@example.cn)改动前后都抓不到 ——EMAIL_REGEX字符类纯 ASCII,非 ASCII 本地部从来不在候选集里,本刀零变化、不算回归。 语料 36 页 60 个唯一地址全 ASCII;欧美企业站联系邮箱普遍 ASCII。 信息info@x.de→info@x.de(纯 CJK 前缀视为标签,有意保留)。- DOM census 的结论建立在 36 页企业站语料上,不等于真实用户数据。
- 未在真实 Chrome 扩展里端到端跑过。
🔴 执行方越界记录¶
DOM 刀 1 的任务书写明「只读仓库、只产 patch」,执行方(sol-dsh)同时在仓库里
直接创建了三个新文件。它遵守了「不改任何已存在文件」,但没遵守「只产 patch」。
危害有限(新文件、untracked、不接生产),已由主控删除。
⇒ 收活时必须 git status 核对,不能只看 patch 文件。