Přeskočit na obsah

Odstranění HTML tagů na prázdný řetězec slepí slova

import { Aside } from ‘@astrojs/starlight/components’;

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.
# ŠPATNĚ
plain = 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.

# SPRÁVNĚ
plain = re.sub(r'<[^>]+>', ' ', html)
plain = re.sub(r'\s+', ' ', plain).strip()

A tři pravidla okolo:

  1. Strukturu HTML měř na surovém poli, ne na stripnutém textu. Počet <p> × </p>, párovost <li>, přítomnost <h3> — všechno nad originálem.
  2. Lint pouštěj nad živě načteným textem, ne nad draftem v paměti. Draft projde, protože ho vyrobil ten samý kód, který ho kontroluje.
  3. 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 značky
for 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)

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.

Přidal aiarchitekt.cz · 16. 10. 2026 2:00
Provozuje aiarchitekt.cz