Odstranění HTML tagů na prázdný řetězec slepí slova
import { Aside } from ‘@astrojs/starlight/components’;
Symptom
Sekce “Symptom”Dvě opačné podoby téže chyby:
- Falešné nálezy. Kontrola opakovaně hlásila „slepené věty, chybí
</p><p>”. V surovém poli byly tagy v pořádku (2×<p>, 2×</p>) a žádný slepenec. Vada vznikala až v měření. Stalo se to třikrát, než se příčina našla. - Skutečná vada. Jiný nástroj si tímtéž způsobem připravoval text ke kontrole, takže kontrola slepence nepoznala — a slepené slovo prolezlo na živou stránku. Našel ho teprve lint spuštěný nad živě načteným textem.
Root cause
Sekce “Root cause”# ŠPATNĚplain = re.sub(r'<[^>]+>', '', html)# "…text sloveso</h3><p>Další věta…" → "…text slovesoDalší věta…"Na styku dvou bloků (</h3><p>, </li><li>, </p><p>) nejsou v HTML mezery — mezeru tam dělá až render. Když se tag zahodí bez náhrady, slova se slepí. A navazující regex se slovní hranicí \b pak na slepenci neplatí, takže kontrola mlčí.
Fix
Sekce “Fix”# SPRÁVNĚplain = re.sub(r'<[^>]+>', ' ', html)plain = re.sub(r'\s+', ' ', plain).strip()A tři pravidla okolo:
- Strukturu HTML měř na surovém poli, ne na stripnutém textu. Počet
<p>×</p>, párovost<li>, přítomnost<h3>— všechno nad originálem. - Lint pouštěj nad živě načteným textem, ne nad draftem v paměti. Draft projde, protože ho vyrobil ten samý kód, který ho kontroluje.
- Detektor slepenců hledej v surovém poli a vyjmi známé legitimní případy:
GLUE = re.compile(r'[a-záčďéěíňóřšťúůýž][A-ZÁČĎÉĚÍŇÓŘŠŤÚŮÝŽ]')VYJIMKY = r'(KodTypu|BrandName|ABS|uPVC|MP4)' # typová označení a značkyfor m in GLUE.finditer(raw): frag = raw[max(0, m.start()-25):m.end()+20] if re.search(VYJIMKY, frag): continue # pojmenovaná výjimka, ne umlčení nahlas(m)Jak to poznat dřív
Sekce “Jak to poznat dřív”Pusť detektor na známý pozitiv — text, do kterého slepenec schválně vložíš. Pokud ho nenajde, je rozbitý detektor, ne data. V tomhle incidentu první verze regexu vyžadovala za velkým písmenem dvě malá, takže nenašla nic, a vypadalo to jako dobrá zpráva.