两个整整齐齐的零

这一批修的都是同一个形状的 bug：产出看起来完全正常。 没有异常、没有报错，只是有些字不在里面了。

一个选择器只属于一种媒介

影视的短评在 <span class="comment"> 里。三种媒介共用了这个选择器， 于是：

影视   <li><span class="comment">这讲的是个啥…</span></li>
音乐   <li>
         欢乐
       </li>
舞台剧 <li>团建选了看舞台剧/音乐剧的项目…</li>

音乐和舞台剧的短评裸在 <li> 里，没有任何 class。 音乐 84 条标记 0 条有短评，舞台剧 5 条 0 条——两个整整齐齐的零。 它不报错，因为「这条标记没写短评」本来就是最常见的形态。

这已经是第二次撞上「每种媒介一套，这不是可以统一的东西」 （上一次是游戏的评分与短评），所以这回不再按 class 找，改成按位置找： 操作栏 <li class="clearfix opt-ln"> 前面那个 <li>。 实测短评 2027 → 2109（舞台剧 0→4，音乐 0→78）。

改的过程中，端到端那条断言从 3 跳到 4

项目里有一条端到端断言，钉住「有多版本的标记有几条」。改抽取器的时候它从 3 变成 4， 逼出了两个只会静默出错的坑。

「(N 有用)」和短评住在同一个 <li> 里

<span class="pl">(5 有用)</span> 是豆瓣的计数器，不是用户写的字。 实测同一条标记两次抓取之间从 (5 有用) 变成了 (1 有用)，短评一个字没动。 把它算进短评，就会凭空多出一条「用户编辑了这条标记」的记录—— 与之前那次「1740人浏览」混进日记正文是同一个错。

只有标题的条目，把片名当成了用户短评

有些标记只有一个标题，没有评分、日期、标签、短评。这种条目上， 兜底逻辑取到的是作品自己的名字，于是 8 部电影的「短评」变成了：

V字仇杀队
铁西区第一部分：工厂

它产出的是符合语法的正常文本。 这才是最隐蔽的地方——粗看导出的数据， 完全像是由用户真实撰写的评价。 过滤条件的漏洞在于仅检查了 <li> 的内部文本，而能够识别空评价的特异 class 正好位于开标签上，在此前的字符串切分中已被提前丢弃。

修完之后影视仍是 1506 条短评（没动），修订总数仍是 2943（没有伪造出任何编辑）。

顺带：页面上那些 "

样张站点上肉眼可见 "、'。 追下去发现两边各自都没做错事：

• 站点生成器按规矩把用户文本里的 & 转义成 &——不转义会丢字；
• 解析器留下了一个没解开的 "。

于是 " → " → 原样印在页面上。 解析器漏解一次，下游就会忠实地把它展示出来。

问题的根因在于四个抽取器各自维护了互不相同的实体解码映射表：一个支持八种、 一个支持六种、一个支持五种，而负责处理标题与短评的核心抽取器甚至完全没有配置解码表。 将实体解码逻辑收敛为唯一定义后，实测未解开的实体数量从 196 降至 1， 且仅存的一处为符合预期的真实嵌套实体（原文即为 HITMAN™，解一次得到字面的 ™）。

两条规矩，旧的四张表全都写错了：

• 一遍扫完，不要链式 replace。 四份实现都把 & 排在最前面解， 于是 < 先变成 <、再变成 <。 而它的原文是字面的四个字符 <——正好是一条讨论 HTML 转义的短评会写出来的东西， 吃掉之后还原不回去。
• 认不出来的原样留着。 越界码位、没见过的实体，一律不猜。 猜错是不可逆的，留着则是可以 grep 出来的。同理   解成不换行空格而不是普通空格： 页面上写的就是不换行空格，改掉属于静默改写。

还有：长文的正文粘成了一坨

日记正文要变成 Markdown，所以结构必须在剥标签之后活下来。三处都是静默的：

• 点列表变成一坨。 五个 <li> 只剥标签就粘成了一长串。
• 段落粘连。 </p> 只给一个换行，CommonMark 当作段内软换行——三段在页面上并成了一段。
• 正文末尾挂着豆瓣的版权声明。 「科技 生活 本文版权归 ⋯ 所有」跟在用户日记后面。

往里收一层到 <div class="note"> 就解决了，但认不出就退回整段，绝不返回 null—— 手上只有 2 篇带这个容器，n=2 推不出一个封闭集合。 这个项目在「从手上的样本推出封闭集合」上已经栽过四次了。