キャッシュを表示する時に危険なスクリプトを排除する (19:26)
キャッシングした他サイトのコンテンツを自サイトのURL上で表示した場合、そのコンテンツにスクリプトが含まれていると、そのスクリプトは自サイトのドメイン権限で実行できることになり、自サイトドメインのCookieなどをスクリプトから読まれてしまう可能性がある。で、そういう場合にある程度スクリプトの危険性を排除しつつ、比較的改変が少なくてすむ方法の案。
$invalid = array('cookie', 'location', 'window', 'script');
foreach ($invalid as $str) {
$body = preg_replace('/'.preg_quote($str).'/ie', '"&#".ord("$0").";".substr("$0", 1)', $body);
}
なんて感じにするとどうだろう？ 要は危険そうな文字列は最初の一文字を実体参照に置き換えてしまうという方法。$invalidはもうちょいパターンを増やした方がいいだろうな。onという文字列も対象にしておくと、主立ったイベント処理がつぶせるかな。あとxmlhttprequestとかも危険。
そういやGoogleとかwebarchiveとかってどうしているんだろう？ まあ自ドメインでスクリプトを実行されても大して危険がないサイトなら、対策を取る必要もないんだろうけど。
ソーシャルブックマークを使ったSPAMデータベース (17:09)
この辺から始まった思いつき。
SPAMコメント/trackbackに書かれていたURL、投稿元のIPアドレスをソーシャルブックマークサービスを使って蓄積し、RSS配信などを使って他のツールから利用すると便利かもしれない。
たとえばdel.icio.usにSPAMコメントに書かれていたURL、IPアドレス（title欄を使っている）を登録してみた例。タグ名としてSPAM_BLACKLIST_URLというユニーク性の高いものを利用することで判別しやすくしている。
ただしこういう使い方をすると他のユーザーに迷惑がかかる可能性が高い。あと、スパマーが妨害のためにゴミURLを大量に投稿してくるかもしれない。というあたり問題もあるんだけど、ソーシャルブックマーク的なアプローチで手軽にSPAM URLデータベースを構築するという案自体は、何か使えそうな気がする。
形態素解析した結果の並びで怪しいところだけN-gramを使う (15:50)
思いつきネタ。形態素解析した結果の要素の並びとして、いかにもミスヒット（分割）らしいパターンの周辺だけN-gramも併用すると、検索精度が上がったりしないだろうか。
ちょろっと試してみた限りでは、名詞（非人名）＋名詞（人名）の並びはいかにも辞書に載っていない名詞のミス分割って感じになりそうだった。あとひらがなの連続単語とかの場合も、なにか特徴的なパターンがありそう。
形態素解析ロジックではうまく分割できないパターンを見つけ出すいい方法があれば、そこだけN-gramを併用することで、インデックスのサイズを抑えながら精度を高めることができそうな気がする。
痛みのお裾分け (00:37)
さっき右足の小指の爪を座椅子の布地に引っかけましてね。最近そういや爪を切ってないなーとは思ってたんですけど、やけにがっつりと引っかかりまして。しかも引っかかったままに、結構勢いよく足を振り抜きまして。いや、痛みは大したことなかったんですけどね。ただ小指を見てみたら、なんだか爪が真ん中から縦に割けているわけですよ。しかも根本まできっちりいっちゃてるわけですよ。なんかあんまり見たくない画づらだったんで、できるだけ目の焦点を合わせないようにしながら、爪切りで外側半分の爪を切ってみたわけですけどね。その跡になんか赤い色が見えたんで、その辺は深く追求しないようにして、ひとまず放置しているわけですが。いやまあ痛みは大したことないんですけどね。なんかちょっと精神的だめえじってやつですか。まあそういうことですよ、掛布さん。
