Viney commited on
Commit
6b5d570
·
1 Parent(s): a75a1c1

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
- _SCRIPT_STYLE_RE = re.compile(r"<(script|style)\b[^>]*>.*?</\1>", re.IGNORECASE | re.DOTALL)
 
 
 
 
 
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,