同一个水管工被数了四次 - 以及我们为什么没有发布这个修复
在 72 条回答上测量：抽取出 454 条字符串，对应 424 家真实企业。那个看起来理所当然的修复消掉了 61 个重复 - 同时让 72 家真实店铺消失。我们没有发布。
昨天我们讲的是：我们的抽取器读不了日语、韩语、中文和阿拉伯语。改好之后，它读得了。今天是下一个问题：它读出来的东西，对吗？
昨天收集的 72 条回答 - 六个市场、两个行当、三个助手 - 已经足够拿来回答，不必再花一分钱调用。我们重读了一遍。
一个水管工，四行
在东京的同一张竞争对手表里，Kurashian 这家公司以四个不同的写法并排出现：只有字号的、字号后面跟着全角冒号和一句描述的、字号被括进括号的、以及字号后面挂着排名说明的。四行，一家公司。
在迪拜，Urban Company 出现了三次 - 它旧名字有几种写法就出现几次。在里昂，Ring Twice、Yoojo、ThreeBestRated 和 StarOfService 各出现两次：一次单独出现，一次后面跟着一个破折号和 Lyon 这个词。
一张把同一个对手摆成三行的表，错的不只是数目：它把这个对手的声量摊薄了，也把排名做假了。
六个市场逐个名字对下来的结果是：抽取出 454 条字符串，对应 424 家真实企业。三十个重复。一半集中在日语，但法语也有 - 而正是这个细节让原因变得有意思。
两个原因，其中一个人人都摊上
第一个还是文字的事，跟昨天一样。我们的切分器把名字切到第一个分隔符为止：「品牌 - 口碑很好」变成「品牌」。而它那份分隔符清单是用 ASCII 字符写的。可日语和中文的冒号和括号是全角的，前后不留空格：什么都对不上，于是名字就把整句话一起抱着走。
第二个一点也不异国。切分只作用于在项目符号列表里找到的名字。助手在正文中加粗的那些名字，从来没经过这一步。这就是为什么在里昂「Ring Twice」和「Ring Twice - Lyon」被算成两家：法语一直受影响，只是没人量过。
修复写好了，也量过了
把分隔规则收拢成一条，让所有抽取路径共用，再加上全角标点。大约三十行。放回 72 条回答里重跑：454 条字符串变成 424 条。Kurashian 又变回一家公司，Urban Company 也是。
然后我们逐条回答去数：什么进来了，什么出去了。问题就出在这里。
消掉 61 个重复。
这正是目的。
丢掉 72 个名字
- 其中包括 Maison Deschamps，里昂一家真实存在的面包店，以前抽得出来，现在抽不出来了。
新混进 85 条
，比如「核对资质」「口碑这个本能」。这是建议，不是店铺。
为什么一个正确的修复会弄坏别的东西
这个机制值得弄明白，因为它在代码里看不见。超过四十个字符的名字会被拒掉：这是一道老关卡，写来挡整句话的。在日语里，助手的一句反问大概正好四十五个字符，所以会被挡下。可一旦在括号处切开，只剩二十一个字符：它就过关了。
也就是说，长度这道关卡在那些不用空格的文字里，是在无意中充当噪声过滤器。我们把切分改对了，也就顺手拆掉了这道并非有意设下的堤坝。而竞争对手表只显示八个名字，所以每放进一条建议，就挤掉一个真的。
我们没有发布。这个修复已经写好、量过，连同这些数字一起存在仓库里。等到建议识别能在这四种文字里工作，它才会出去：那才是真正的活儿，而且需要一种语言一种语言地把规则写出来。
这对你意味着什么
在相信一张竞争对手表之前，先数数它有几行。
如果同一个名字以两种形态出现两次，排名就是假的，声量也被摊薄了。
一个工具可以同时朝两个方向出错。
我们的工具既把对手数目吹大，又放建议进来：修好其中一个，另一个才露出来。
问清楚数的是什么，而不只是数了多少。
「八个竞争对手」在你知道这八个是不是企业之前，什么都不说明。
对一个从不变动的数字保持怀疑。
八这个上限，在我们几乎所有测量里都是满的：那是天花板，不是结果。
局限
72 条回答、六个市场、两个行当、只收集了一个上午：这是抽样。把「企业」和「建议」分开是手工做的，其中带着判断 - 像「专业配置」这样的名字也可能是一家公司。但那三十个重复不需要任何判断：它们是以同一个名字开头的字符串。
我们把一个没有发布的修复公开出来，因为这才是有用的信息。一个只讲自己做对了什么的测量工具，量得会不准，讲出来的更不准。