尽管「取消密码」的风越刮越猛，但距离我们真正摆脱密码大概还有些时日。换句话说，我们还有大把机会「享受」盯着键盘反复编造密码的体验。

对此，不少密码管理工具都体谅用户，提供了自动生成密码的功能。1Password 这样的专业选手自不必说，iOS 和 macOS 内置的密码管理功能也可以实现。

但如果你尝试过这些工具，可能会注意到它们建议的密码往往不那么好使：如果完全是乱序组合，虽然足够难猜，但记忆和输入就过于麻烦；即使像 1Password 那样支持生成「易记」（memorable）形式的密码（即由若干单词组合、修改而得的字符串），其选用的单词又经常过于晦涩生僻，对于国内用户并不能起到易记的效果。

看来，合适的密码还是得按自己的规则来。考虑到如今的密码一般需要有一定长度，并且规定同时包含大小写字母、数字和特殊字符，我们可以按照这样一种格式编写密码，以便在易记的同时符合大多网站的要求：

• 由三个常见小写英文单词构成，单词长度在 4—6 个字母之间，之间用连字符 连接。这样，所得密码的长度在 14 到 20 字符之间，符合常见强密码要求。
• 将第一个单词中的部分字母替换为形态类似的数字（例如 换为 ， 换为 ， 换为 等，即早年 BBS 文化中称为 leetspeak 的做法），其他字母替换为大写。这就满足了含有数字和大小写的长度要求。
• 将第二个单词中的部分字母替换为形态类似的特殊符号（例如 换为 ， 换为 ， 换为 等）。这就满足了含有特殊字符的长度要求。

例如：

• （由 修改而来，13 字符长）；
• （由 修改而来，18 字符长）；
• （由 修改而来，15 字符长）。

下面，我们看看如何用自动化方法批量获得这样的密码。为了兼顾易用和泛用，本文将介绍快捷指令和终端脚本两种方法。前者适合在 iOS 上运行，后者适合在电脑上整合到各种第三方效率工具中，也可以跨平台使用。文末还会跑题介绍一种不那么酷、但如今无法回避的思路——当然，我是在说 GPT。

首先，分别下载我做好的成品：快捷指令 | 终端脚本

如开头所说，现有易记密码生成方案的普遍问题是单词过于晦涩，记忆和输入都不够方便。因此，本文需求的前置步骤就是挑选一个合适的词表，作为生成密码的词汇来源。

什么词表比较合适呢？我见过英文社区有些用户选择了 Scrabble、Spelling Bee 等单词游戏的词表（例如 Dr Drang 使用 Python 制作的脚本），但这些游戏是为了比拼词汇量而生的，其词表里也有不少生僻词，对母语使用者都有些门槛，非母语使用者就更不用说了。

为此，我们先用 工具将 PDF 中的文本都提取出来。 是命令行 PDF 工具集 Poppler 中附带的，需要先通过 安装。当然，你也可以选择直接复制粘贴，但取决于所用 PDF 阅读器，复制结果可能没那么干净。

在终端运行：

这里， 选项忽略在遇到换页时生成的特殊字符，结尾的 将结果输出到终端而不是保存成文件。

结果如下（节选）：

可以看到，每个词条主要由三项信息构成：单词、词性、CEFR 难度等级，各项信息之间用空格分开。此外，个别多义词会后接数字区分不同词性的条目。

这种用固定字符分开的格式，是典型适合用 命令处理的类型。经过一番尝试，我们可以使用下面这串命令来做清洁工作：

这里：

• ：是指对于输入中的每一行，只保留第一列（）。 默认以空格作为列的分隔符，因此对于「牛津 3000」词表的格式，保留第一列就是只保留单词部分（少数不遵守该格式的行除外）。
• ：是指检查每一行的长度（），只保留 4 到 6 个字符长度的行。
• ：是指检查每一行的列数（），只保留列数大于零的行。这本质上就是在删除空行。
• ：是指删除（）每行中后接表达式不能匹配（）的部分。使用的表达式是 ，即任何字母加上换行；除此范围之外的内容都会被删除。（ 使用的是类似 的「基础」正则表达式 BRE，看着会比较啰嗦。）这样做的目的是删除词表中多余的句号、数字、空白符等。
• 最后， 的组合用来删除重复行（考虑到多义词词条），并获得按字母排序的输出结果。

打开输出的 ，可以看到处理效果比较完美，得到了大约 1500 个长度适中、简洁易记的单词作为密码素材。唯一的漏网之鱼是 ，这是因为原文件个别条目拆写为两行，第二行开头就是词性。不过，对于这种一次性的任务，我们也没有必要过度优化，手动删除即可。

动手之前，先做一下宏观规划。根据文首确定的需求，我们的快捷指令大致依次要完成这些工作：

1. 从词表中随机提取三个单词；
2. 对单词做字母替换、大小写替换等改动；
3. 将处理结果组合成密码并输出。

下面分别说明其中的要点或难点。

从词表中随机提取单词

修改单词中的字母

如上所述，为了满足密码含有数字和特殊字符的要求，我们需要将单词修改为所谓的 leetspeak 版本，也就是把字母换成形态类似的数字或符号，常见的对应关系如下表所示：

这样，我们就快速做出了两个词典，分别将字母翻译为形近的数字和字符。

每个自动化工具都有自己最适合的领域。快捷指令更擅长的是调用设备传感器、以及调用系统原生的功能和服务；但对于本文这种以处理文本为主的需求，实现起来就很折腾。如果不是为了写这篇文章，我根本没有任何动力打开快捷指令做这种事情。

相比之下，不太复杂的文本自动化正是终端脚本的「舒适区」。从前面给出的成品内容就能看出，本文需求用终端脚本做起来是很快的，这里也只简单解释几处要点：

• 函数负责从词表中随机提取单词。这里，为了避免将词表单独存储在外部文件中（因为那样不方便整合进第三方工具），我们用 heredoc 的形式将整个词表输入给 ，通过管道原样交给 随机挑选一行（）作为输出。

• 函数是程序主体。其实本来这几个简单的步骤没有必要放在函数里，这里唯一的目的是方便和美观；否则，其中的命令得写到占据一千多行的词表之后去，为了我们的手指健康考虑还是避免这么做。这样，只要在最后一行调用一下 就行了，主要的编写工作都可以在脚本开头完成。

• 单词的修改通过 命令完成。这里充分体现了终端脚本的优势：快捷指令中用上 JSON 词典的奇技淫巧还要折腾好几步的功能，在这里一行就可以完事。具体而言，当 后接两个字数相当的字符串（或小写字母 、大写字母 等代号）时，其功能是逐一检查输入中的每个字符，如果在第一个字符串中找得到，就将其转为第二个字符串对应位置的字符。

这个方法写在最后，因为：

1. 要花钱；
2. 原理决定了输出结果可能是别人用过的；
3. 缺少了一些庸人的乐趣。

但还是得写，因为现在是 2023 年。

请打开你的 ChatGPT、OpenAI Playground、Bing Chat，或者你能摸得到的任何 LLM 聊天工具，把下面的内容喂给它（为了表述简洁，跟文首需求稍有差别，但不影响效果）：

注意：

• 最后的列表空了一截是为了让模型照葫芦画瓢，输出会自然续写下去；
• 如果有不同格式要求，可以相应调整 prompt 中的表述；
• 我无法确认它知不知道 Oxford 3000 是什么东西，但还是先写上了，反正没有坏处；
• 如果你有得选，实测最合适的模型是 text-davinci-003 或 gpt-3.5-turbo，更简单的如 curie、babbage 领会不了，更复杂的 gpt-4 有点大炮打蚊子。