ISSUE-0141 · 分国家强形态判据¶
起因¶
Tony 的架构质疑:「面向全球的,不要仅限中文,规则你得完整。 用正则会不会更佳?用关键词会不会有问题?」
三条路,两条被数据否掉¶
路 1「关键词 + 上下文」—— 冻结¶
见 0140-cross-tag-phone-and-entry-stripping:三轮补丁、三轮 P0,形状层两难。
另有两条实证:
- 覆盖不全:波兰语 Telefony stacjonarne 抓不到 —— 正则有 telefone?o? 能匹配
telefon,但复数的 y 卡住了整条。关键词表覆盖 9 种语言,缺俄/韩/阿/泰/越/印尼/芬兰,
且每种语言的复数与变位都是坑。
- 关键词对了也会错:「电话」跨 HTML 注释/属性/void 元素关联到订单号。
路 2「结构化信号(JSON-LD / microdata / RDFa)」—— census 实证零收益,不接线¶
JSON-LD 与 tel: 已被现有生产覆盖,microdata/RDFa 在 36 页语料里零样本。
⇒ 不接线,结论记档。
路 3「分国家强形态」—— 本刀¶
核心洞察:形态强度分国家差异极大¶
德国那条有硬证据(ISSUE-0137 实测):libphonenumber-js/max 把
0711 486860 2024 判成 valid FIXED_LINE、把日期 0171 2024 10 31 判成 valid MOBILE
—— 开放编号计划允许可变长,任何长度都"有效"。
⇒ 明确不收德国等开放编号计划国家,靠形态判必错。
对照中文噪音(这些必须不抓)¶
订单号 20240315001234 14 位 ⇒ 与 1[3-9]\d{9} 不匹配
注册资本 10000000 8 位 ⇒ 不匹配
ICP 备案号 32011202000971 14 位 ⇒ 不匹配
身份证 18 位 ⇒ 不匹配
时间戳(13位) 1709191307100 13 位 ⇒ 不匹配
效果¶
这是路 1 做不到的 —— 无关键词、无标签结构,形态自己就是身份证明。
它直接解决了 Tony 报的 laifaxin.com 场景,且语言无关:
不需要穷举波兰语 Telefony、俄语 Телефон、韩语 전화。
接线方式¶
跑在 tier1/2/3 之后做兜底,不抑制任何层;去重复用 addPhone 的
seenDigits + canonKey「先写者赢」;独有命中落 tier 4 / confidence medium
(形态证据强于裸文本 low、弱于作者声明 high)。
用户自定义 phoneRegex 时本层与三层级一起让位。
证据¶
全量 1287 全绿、tsc rc=0、基准集误杀 0(MUST_DROP 45 条 0 命中)。
36 页语料 4 条命中全为真号、假阳性 0。
🔴 证据边界(本刀最重要的一节)¶
- 🔴 36 页语料上净收益为 0 —— 那 4 条命中(leica
800 222 0118)全部已被 T3 覆盖。 本层的价值全部押在「语料未覆盖的中国站场景」上,而 36 页全是欧美企业站、 CN 号段库内零样本。论证靠号段规范 + 自建噪音对照集,不是靠语料。 ⚠️ 这与 ISSUE-0139 的教训同源:不许拿欧美语料宣称全球覆盖率。 - 🔴 裸
18888888888无法区分手机号与 11 位业务编号 —— 本质局限。 反向关键词(订单/编号/流水/单号/ID…)只能覆盖「有标注」的情形。 - 已知同构残余(执行方自承,主控复核):11 位 QQ 号撞 CN 手机形; 400/800 开头的 10 位 ERP 流水号;NANP 保留虚构号段 555-01xx(已排除)。
<script>里的强形态数字曾被抓成手机号,由 0140-cross-tag-phone-and-entry-stripping 的入口剥离解决。- 未在真实 Chrome 扩展里端到端跑过。