Spaces:
Sleeping
Sleeping
docs: close the unclosed-script leak and restore feminine role forms (T8)
Browse files
docs/superpowers/plans/2026-08-29-prospection-buyside.md
CHANGED
|
@@ -2376,6 +2376,30 @@ def test_scan_careers_page_ignores_analytics_script_bodies():
|
|
| 2376 |
assert signals.scan_careers_page(_account(), date(2026, 8, 29), client=client) == []
|
| 2377 |
|
| 2378 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 2379 |
def test_scan_careers_page_needs_both_a_hiring_word_and_a_role_word():
|
| 2380 |
"""Un mot de role seul vit sur une page equipe."""
|
| 2381 |
client = _FakeClient({
|
|
@@ -2442,7 +2466,12 @@ ROLE_KEYWORDS = ("analyste", "analyst", "quantitatif", "quant",
|
|
| 2442 |
# Les corps de <script> et <style> sont retirés AVANT les balises : le
|
| 2443 |
# `dataLayer` de Google Tag Manager survit à un simple retrait de balises et
|
| 2444 |
# fournirait « data » sur presque tous les sites.
|
| 2445 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 2446 |
_TAG_RE = re.compile(r"<[^>]+>")
|
| 2447 |
|
| 2448 |
|
|
@@ -2452,8 +2481,12 @@ def _visible_text(html: str) -> str:
|
|
| 2452 |
|
| 2453 |
|
| 2454 |
def _first_match(text: str, keywords: tuple[str, ...]) -> str | None:
|
|
|
|
|
|
|
|
|
|
|
|
|
| 2455 |
return next((k for k in keywords
|
| 2456 |
-
if re.search(rf"\b{re.escape(k)}\b", text)), None)
|
| 2457 |
|
| 2458 |
|
| 2459 |
def signal_row(account_id: int, kind: str, label: str, url: str,
|
|
|
|
| 2376 |
assert signals.scan_careers_page(_account(), date(2026, 8, 29), client=client) == []
|
| 2377 |
|
| 2378 |
|
| 2379 |
+
def test_scan_careers_page_ignores_an_unclosed_analytics_script():
|
| 2380 |
+
"""Une balise <script> non fermée échapperait à un filtre qui exige la
|
| 2381 |
+
fermeture, et « var data = » repasserait dans le texte cherché."""
|
| 2382 |
+
client = _FakeClient({
|
| 2383 |
+
"https://boutique-gestion.fr/carrieres":
|
| 2384 |
+
"<html><head><script>var data = trackingConfig;"
|
| 2385 |
+
"</head><body><h1>Rejoignez-nous</h1>"
|
| 2386 |
+
"<p>Aucun poste ouvert.</p></body></html>",
|
| 2387 |
+
})
|
| 2388 |
+
assert signals.scan_careers_page(_account(), date(2026, 8, 29), client=client) == []
|
| 2389 |
+
|
| 2390 |
+
|
| 2391 |
+
def test_scan_careers_page_matches_the_feminine_role_form():
|
| 2392 |
+
"""« gérante de portefeuille » est un intitulé courant : la précision
|
| 2393 |
+
recherchée ne visait pas à exclure le féminin."""
|
| 2394 |
+
client = _FakeClient({
|
| 2395 |
+
"https://boutique-gestion.fr/carrieres":
|
| 2396 |
+
"<html><body><h1>Recrutement</h1>"
|
| 2397 |
+
"<p>Nous cherchons une gérante de portefeuille.</p></body></html>",
|
| 2398 |
+
})
|
| 2399 |
+
found = signals.scan_careers_page(_account(), date(2026, 8, 29), client=client)
|
| 2400 |
+
assert len(found) == 1
|
| 2401 |
+
|
| 2402 |
+
|
| 2403 |
def test_scan_careers_page_needs_both_a_hiring_word_and_a_role_word():
|
| 2404 |
"""Un mot de role seul vit sur une page equipe."""
|
| 2405 |
client = _FakeClient({
|
|
|
|
| 2466 |
# Les corps de <script> et <style> sont retirés AVANT les balises : le
|
| 2467 |
# `dataLayer` de Google Tag Manager survit à un simple retrait de balises et
|
| 2468 |
# fournirait « data » sur presque tous les sites.
|
| 2469 |
+
# `</\1>` OU la fin du document : une balise <script> non fermée — courante sur
|
| 2470 |
+
# les pages mal formées — échapperait sinon au filtre et laisserait « var data = »
|
| 2471 |
+
# dans le texte cherché. Avaler le reste du document est le bon compromis : une
|
| 2472 |
+
# page malformée ne produit alors aucun signal plutôt qu'un signal faux.
|
| 2473 |
+
_SCRIPT_STYLE_RE = re.compile(r"<(script|style)\b[^>]*>.*?(?:</\1>|\Z)",
|
| 2474 |
+
re.IGNORECASE | re.DOTALL)
|
| 2475 |
_TAG_RE = re.compile(r"<[^>]+>")
|
| 2476 |
|
| 2477 |
|
|
|
|
| 2481 |
|
| 2482 |
|
| 2483 |
def _first_match(text: str, keywords: tuple[str, ...]) -> str | None:
|
| 2484 |
+
# Suffixe féminin ou pluriel toléré : « gérante », « analystes », « postes ».
|
| 2485 |
+
# Sans lui, `\bgérant\b` rate « gérante », toute une classe d'intitulés que la
|
| 2486 |
+
# précision recherchée ne visait pas à exclure. Reste sûr : « dataLayer » échoue
|
| 2487 |
+
# toujours, « L » n'étant ni « e » ni « s ».
|
| 2488 |
return next((k for k in keywords
|
| 2489 |
+
if re.search(rf"\b{re.escape(k)}(?:e|s|es)?\b", text)), None)
|
| 2490 |
|
| 2491 |
|
| 2492 |
def signal_row(account_id: int, kind: str, label: str, url: str,
|