隐形字符手法：为什么你的推特关键词屏蔽会漏掉垃圾号

症状

假设关键词列表里有 looks better than me，这时来了一条回复，屏幕上明明白白写着 nobody looks better than me。过滤器没有命中。你检查拼写，也检查扫描是否开着。你把推文里的文字复制出来，贴进关键词列表，这样也不行。事实上，现在什么都匹配不上了。

到了这一步，解释几乎总是填充。看得见的文本和底层文本不是一回事；你复制推文时，把填充也一起复制走了。

这种手法怎么运作

Unicode 里有一批故意看不见的字符。它们的工作不是被看见：把两个表情连成一个、告诉某种文字相邻字母该如何连接、标记文字方向的变化。它们渲染出来是空白，不占宽度，复制粘贴也能留下来。

于是垃圾号在消息的每个字符之间插入一个。八个字符的短语变成二十五个字符的字符串，其中十七个看不见。对读者来说它是八个字符。对过滤器来说，你的关键词里没有任何两个字母是相邻的。

这对垃圾号没有成本，就是在发布回复的脚本里做一次查找替换，却能一下子击败每一种天真的过滤。

涉及哪些字符

从正在流通的回复垃圾里取样，填充几乎总是下面三个之一，还会轮换，以免看起来太机械：

同一族里还有其他字符：字节顺序标记 U+FEFF、方向标记 U+200E 和 U+200F、软连字符 U+00AD、蒙古文元音分隔符 U+180E，以及 U+202A–U+202E 范围内的双向覆盖符。彻底的过滤必须把它们全部算进去，因为漏掉哪一个，下一个被用上的就是哪一个。

花 20 秒自己看一看

这件事不需要任何工具。打开一条垃圾回复，选中文字，复制，贴到一个能告诉你长度的地方。浏览器控制台最方便：

const s = `paste the copied reply here`
console.log(s.length)
console.log((s.match(/[­᠎​-‏⁠-⁤]/g) || []).length)

正常句子的第二个数字是 0。带填充的垃圾会返回一个接近第一个数字的值。在一条取样的讨论串里，11 条回复中有 4 条各自带了 52 到 67 个隐形字符，大约是原始字符串的 80%，另外 7 条测出来正好是 0。中间没有灰色地带，这正是它能被识别的原因。

为什么文本过滤都会在它上面失败

这一点值得说精确，因为失败并不是某一款过滤的故障。三种防线会同时垮掉：

• 精确关键词。 立刻失效。那个子串并不存在。
• 「松」的正则，允许字符之间有空隙，比如 b.{0,3}e.{0,3}t。每个空隙能扛住一个填充字符，到六个就死。
• 复制来的关键词。 从垃圾里把短语复制出来，会连填充一起带来，于是你的新关键词只匹配那一条推文、那一种填充排列。

还有第四种容易漏掉的失败。在 JavaScript 里，像 .{0,3} 这样的量词数的是 UTF-16 码元，不是字符，而一个表情是两个码元。所以一条写成能容忍三个字符空隙的松正则，实际只能容忍一个表情。这也是用表情把词拆开、同样能击败松模式的原因。

办法一：匹配之前先剥掉这些字符

正确的解决位置，是在任何规则运行之前。X Spam Blocker 会为即将匹配的文本做一份清理后的副本：去掉隐形字符，再做 Unicode NFKC 规范化，让全角、带圈和上下标字母折回普通字母。然后它再做第三份更紧的副本，去掉所有空格、标点和表情，只留下字母和数字。

规则会对三份都试一遍，你的关键词也会按同样的方式规范化。这带来三个有用的结果：

• 你现有的关键词列表，不用改任何东西，就会开始对带填充的垃圾生效。
• 你从垃圾回复里复制出来的关键词，连填充一起，仍然能当过滤用。
• 用表情把词拆开，也就是那种能击败松正则的变体，由那份更紧的副本处理，它会把表情整个丢掉。

页面上的内容不会被修改。清理只作用于用于匹配的那份副本。

办法二：识别形态，而不是词语

剥掉能解决今天的垃圾。它解决不了下个月的，因为措辞会变，你的关键词列表还没跟上。所以还有第二条独立的规则，完全不看措辞：

整条规则就是这样。它的价值在于，大量隐形填充本身就是垃圾信号。没有人会写出一条正常推文，其中三分之一是隐形字符。实测差距非常大：取样的垃圾回复在收窄后的字符集上得分是 53% 到 60%，普通推文是 0。30% 的阈值坐在一条很宽的空白带中间。

在面板里，它就是同时识别用隐形字符填充的推文这个开关，默认开启。触发时，候选和日志会写成「隐形字符混淆」，并带上测得的百分比，方便你把它和自己的关键词区分开。关键词命中优先，所以两边都会触发时，你得到的是那个具体的词。调试规则时，这更有用。

表情带来的问题，以及为什么这条规则比看起来更窄

下面这一段决定这种规则是成立还是垮掉。零宽连接符 U+200D 不只是垃圾工具，它也是组合表情里的胶水。一个家庭表情是三个看得见的人，由两个 U+200D 连起来。天真地去量，会得到 40% 的隐形字符：在能想象到的最无辜的推文上出现一次误报。

所以识别规则使用的字符集，故意比剥除时用的更窄。有整整三类不计入证据：

• U+200D，零宽连接符，因为组合表情里到处都是它。
• U+FE00–U+FE0F，变体选择符，就是让 ❤️ 显示成彩色的那个隐形字符。
• U+E0020–U+E007F，标签字符，用于分区旗帜，例如 🏴󠁧󠁢󠁥󠁮󠁧󠁿。

去掉这三类之后，填充垃圾的得分仍然在五十几的高段，因为单靠 U+200C 和 U+2060 就足够定罪。对照表情家庭序列、彩色爱心、彩虹旗、职业表情、分区旗帜、把 U+200C 用作真正正字法的波斯文，以及故意垫得很短的推文做过验证，它们测出来都是 0.0%。

如果你要做类似的东西，这个取舍值得照抄：剥除规则可以贪心，因为多剥一次没有代价。识别规则必须吝啬，因为一次误报代价是一个真实账号。

既然看到这里，再说说相关手法

隐形填充是最常见的规避，但不是唯一的。同一套规范化能处理这一族里的大部分：

• 全角和装饰字母。 全角的 Ｆｕｌｌｗｉｄｔｈ 文本、带圈字母、数学粗体，在 NFKC 下都会折回普通字母。
• 用表情当间隔。 一个词的字符之间插入表情。更紧的那份副本会把它们删掉，从而解决。
• 同形异义字。 用西里尔字母 а 代替拉丁字母 a，用希腊字母 ο 代替 o。NFKC 不会把这些折回去，它们确实是不同的字母，所以仍然是一个真实的缺口。同形替换还有一个用处：以后可以把形态规则指向它。

建在这些之上的过滤，见按关键词或正则屏蔽推特账号，或在 X 上屏蔽加密诈骗号和垃圾机器人里的现成列表。