跳转至

ISSUE-0140 · 跨标签电话 + 入口剥离

起因(真实用户反馈)

Tony 采集 laifaxin.com,界面显示「已完善」但电话邮箱全空。 主控实地访问该站,页面上有:

<h5>联系电话</h5>
<p>17091913071</p>

两层都够不着: - tier2 是 关键词[::..・\s]*(数字) —— 中间只允许空白与几个标点,</h5>\n<p> 有尖括号和字母 - 号码是纯 11 位无分隔符 —— tier3 的形态要求分隔符

基线实测(改前):六种形态全部 [] —— 跨 h5/p、跨 span、跨 td、跨 div+换行、 座机纯数字 02512345678、400 号 4008001234。

修复经过:三次被判 P0,第四轮才收敛

R1 → 判 P0:桥的定义太宽

第一版让 tier2 跨越 {0,4} 个标签。两路对抗审共同判 P0:

<h5>电话</h5><!-- 订单信息 --><p>20240315001234</p>            → ["20240315001234"]
<h5>电话</h5><div data-id="订单号"></div><p>2024…</p>          → ["20240315001234"]
<h5>电话</h5><div style="display:none"></div><p>2024…</p>      → ["20240315001234"]

审查方原话:「正则把完整标签及其所有属性、HTML 注释都当作无文本桥」。

R2 → 又判 P0:形状层两难

第二版收窄后仍被两路判 P0:

跨标签桥的「闭标签后零或多个开标签」不是 DOM 结构校验 —— HTML void element 不需要闭标签,却被当作祖先开标签放行

合法装饰 <i></i> 与噪音占位形状同构 ⇒ 形状层两难:放行合法必重开噪音

而 extractDataFromHtml 跑在 MV3 service worker、没有 DOMParser(ISSUE-0139 已勘察), 真 DOM 校验做不了。

R3 → 收窄成功,收敛判据达成

判据:桥里只允许「未闭合的开标签」,禁止 HTML 注释与完整空元素对 <x></x>。 它正好切开两类结构:

</h5> + <!-- -->                     注释        → 拒
</h5> + <div data-id="…"></div>       完整空元素对 → 拒
</h3> + <div class="cmp-…"><p>        全是开标签   → 放行(orlen.pl 波兰 Fax)

🔴 代价实测为 0:执行方做三变体隔离对照(收窄闸 vs 全放行闸),36 页逐页逐字节一致。 Tony 的真实案例里装饰图标在关键词之前不在中间,不受影响。

R4 → 终审又判 P0:非可见内容

跨标签层:<template> / <svg><text> / <noscript> 未挡(script/style 已挡)
第 2 层: <script>var id=13800138000;</script> → ["13800138000"]  ← 危害最大

审查方写了 14 条「必须拒绝」的对抗断言,跑出 14 failed | 1243 passed (1257)。

🔴 最终修法:入口剥离,且分管线

两层各补一遍是错的 —— 非可见内容剥离要在入口做一次、所有管线共用。 这与 ISSUE-0131「归一层该在入口」同一形状:剥离与归一都是前置,不属于任何单个抽取器。

但不能一刀切。执行方用真实语料实测出分层:

容器 电话 邮箱 / 社媒 依据
<script> 剥 保留 script 里无真电话(全是 JS 变量/订单号/时间戳),但有真邮箱:geberit presse.de@geberit.com 等 10+ 条、fielmann 3 条、dekra no-reply 只存在于 JS 数据块;真社媒:bosch youtube、knauf linkedin
<style> <template> <svg> <noscript> 剥 剥 语料 0 邮箱 0 社媒 0 wa
ld+json 保留 保留 Tier 0 结构化信号不破

⇒ 「非可见」不是一个统一属性 —— 对不同管线,同一个容器的语义不同。

效果

必须拦下(12 条)→ 全部 []
  script(两层) / style / template / svg / noscript
  订单编号标注 18888888888 / NANP保留号段 (212) 555-0100
  P0注释桥 / P0空元素桥 / 噪音订单号 / 噪音身份证

必须保持(12 条)→ 全部符合预期
  laifaxin 完整结构(图标在关键词前) → ["17091913071"]
  orlen <h3>Fax</h3>+<div class=…>   → ["(24) 367 70 90"]
  六条跨标签真号 / 不回退四条

script 里的真邮箱 → ["presse.de@geberit.com"]   ✅ 没被误剥

证据

全量 1287 全绿、tsc rc=0、语料 76、基准集误杀 0。 主控独立验收 25 条;两路独立对抗审共三轮(R1/R2 判 P0,终审判 P0×2),每轮返工后复验。

证据边界

  • 🔴 裸 <p>18888888888</p> 无法区分手机号与 11 位业务编号 —— 形态判据的本质局限。 反向关键词只能覆盖「有标注」的情形。记档不修。
  • 🔴 <noscript> 里的降级联系方式会被剥掉。语料 0 命中,但这是真实存在的模式。 接受并记档。
  • 桥仍非完整 DOM 校验:未闭合的非 void 开标签一律当真祖先(</h5><i class="x"><p>)。 可再加「号码后须有对应闭标签」,但真实 CMS 标签常不配对、误杀面不可控 ⇒ 不做(宁漏)。
  • CDATA / 条件注释 / <iframe srcdoc> / CSS 隐藏 —— 未处理。 其中「CSS 隐藏」在无 DOMParser 的 service worker 里只能靠字符串判断,做不干净。
  • 关键词表覆盖 9 种语言,缺俄/韩/阿/泰/越/印尼/芬兰;且复数变位是坑 (实证:波兰语 Telefony 因复数 y 卡住正则)。这条由 0141-country-strong-shape 部分缓解。
  • 未在真实 Chrome 扩展里端到端跑过。

🔴 决策记录:冻结「关键词 + 上下文」这条路

执行方基于证据给出的判断(主控采纳):

继续加固的边际收益 ≈0 —— 再收一道闸,36 页上既无真号可救也无假号可拦。 残余风险全部已记档、可复核。 解冻触发条件只有一个:真实采集日志里出现新的失败样本(尤其 CN 站),届时按样本 reopen。

这条与 0142-scrape-observability 呼应 —— 有了抓取日志,才能收集到那些样本。