維基百科:機器人/申請/Antigng-bot/33

  • 狀態 撤銷許可
  • 操作者:Antigng留言
  • 提請時間:2020年7月1日 (三) 23:05 (UTC)
  • 自動化程度:全自動
  • 程式語言C
  • 用途:清理Category:引文格式1錯誤:不可見字符
  • 原始碼連結:
  • 編輯時段及頻率:不限
  • 受影響頁面:634570(存量),增速不知
  • 遵守機器人規範僅影響名字空間0和名字空間118,本身可靠性有保證不需要{{bots}}模板控制
  • 已有機器人權限:
  • 嚴格按照CS1模塊的邏輯處理這個分類下的條目。框架與最近三個(30,31,32)和模板相關的任務完全一致:
  1. 遍歷一棵模板樹中的所有模板;
  2. 檢查模板名是否為引用模板,若否則跳過;
  3. 檢查是否為不使用CS1的引用模板(e.g. cite arxiv),若是則跳過;
  4. 檢查本模板中各參數值:若參數名實質等同於quote則跳過不處理;若參數值含有"<!---"或"nowiki"字串則跳過不處理;
  5. U+FFFD(依其定義,此符號存在的目的是為了替換,而非簡單粗暴地移除)之外,若含有其它任何CS1定義的不可見字符則移除,但以下情況需要特殊處理:
  6. 控制符\t,\r,\n需特殊處理,它們在參數值的開頭和尾部出現是合法的,但在參數值中間出現則是非法的;因此在檢查參數值時,在讀入第一個非不可見且非空格的字符前,不會清走這三個字符;在讀入滿足上述條件的字符後,遇到這三個字符不會立即丟棄,而是會將其存入一個緩衝區,待讀入下一個非不可見且非空格的字符時才清空。最後將留在緩衝區中的字符(即原參數值尾部的\t\r\n)加到輸出的新參數值尾部。這種處理方式有一個非預期的行為即如果原參數值的尾巴是「\t \n \n」,輸出後會變成「 \t\n\n」。但本人認為這種處理至少是沒有害處的,應可以接受;此外,由於該三個控制字符在事實上會顯示為空格,為避免把兩個英文詞彙/數字粘一起,在清空緩衝區前會檢查當前字符和輸出的前一個字符是否是非空格、非連接符且非不可見的ASCII字符,如是則先輸出一個空格再丟棄。
static int judgeinvisible(unsigned int uch)
{
	/* 等于是把[[:Category:引文格式1错误:不可见字符]]的说明照抄一遍,但跳过U+FFFD不处理*/
	return ((uch!=0xFFFD)&&
		(uch==0x200B)||
		(uch==0x00AD)||
		(uch==0x0009)||
		(uch==0x0010)||
		(uch==0x0013)||
		((0<uch)&&(uch<=0x001F))||
		((0x0080<=uch)&&(uch<=0x009F))||
		((0xFFF9<=uch)&&(uch<=0xFFFF))||
		((0xE000<=uch)&&(uch<=0xF8FF))||
		((0xF0000<=uch)&&(uch<=0xFFFFD))||
		((0x100000<=uch)&&(uch<=0x10FFFD)));
}
  批准測試運作(30次編輯)。--Xiplus#Talk 2020年7月15日 (三) 10:35 (UTC)[回覆]
  •   已完成50筆編輯。除12之外均滿足設計要求。檢查發現是上面的表達式沒有寫對,應為:
static int judgeinvisible(unsigned int uch)
{
	/* 等于是把[[:Category:引文格式1错误:不可见字符]]的说明照抄一遍,但跳过U+FFFD不处理*/
	return ((uch!=0xFFFD)&&
		((uch==0x200B)||
		(uch==0x00AD)||
		(uch==0x0009)||
		(uch==0x0010)||
		(uch==0x0013)||
		((0<uch)&&(uch<=0x001F))||
		((0x0080<=uch)&&(uch<=0x009F))||
		((0xFFF9<=uch)&&(uch<=0xFFFF))||
		((0xE000<=uch)&&(uch<=0xF8FF))||
		((0xF0000<=uch)&&(uch<=0xFFFFD))||
		((0x100000<=uch)&&(uch<=0x10FFFD))));
}
(:)回應
1. 是。如Special:Diff/60649498所示,不取消這一換行CS1即報錯。(但處理任務時bot完全「看不見」CS1的報錯信息,因此上面的空運行結果才有意義。)
2. 是。因為最後一個參數裡帶了reflist模板,當程序完成模板解析的時候參數值的地方是一個單向鍊表
(节点1:[类型=文本,字符指针=指向字符串" ref = harv \n==参考文献==\n"所在的内存区域])->(节点2: [类型=模板,结构指针=指向模板reflist所在的内存区域])->(节点3:[类型=文本,字符指针=指向字符串"\n\n==另请参阅==\n  "所在的内存区域])->NULL
當程序處理到節點3的地方時,如果要去除「另請參閱」前面的兩個\n,它就必須利用節點1和節點2中已經出現過的信息。但是它完全不知道節點2中的模板里有什麼內容——不可能每解析一個條目還要向伺服器請求所有使用的模板的源碼,這不現實——為保險起見就一刀切禁止這種跨節點處理的情況。
3. 引起Citation/CS1報錯的的除了不可見字符之外,還有部分控制字符和私有字符。™與U+FFFD不同,其出現幾乎總是由OCR識別錯誤所導致的,而不是替換了什麼合法的字符,因此採用移除的處理方法並無不妥之處。--Antigng留言2020年7月18日 (六) 02:11 (UTC)[回覆]
  正式批准運作。--Xiplus#Talk 2020年7月18日 (六) 05:13 (UTC)[回覆]