Benjamin_Boenisch/breakpilot-compliance
1
0
Fork 0
Code Issues 24 Pull Requests Actions Packages Projects Releases Wiki Activity

fix(cookies): parse_flat_cookie_text whitespace-tolerant fuer HTTP-fetch

Browse Source 
Bisheriges _FLAT_ROW_RE erwartete textContent-Output (Cookie-Tabelle
konkateniert ohne Whitespace zwischen Zellen). Bei VW lieferte das
deterministische 10 Vendors / 35 Cookies, aber nur weil der DSE-Text-
Fallback unvollstaendige Tabellen-Fragmente enthielt.

Beim echten cookie-richtlinie.html Fetch (8086 Worte HTML→text) sind
die Spalten durch Whitespace getrennt — und der Regex hat 0 gematcht.

Fix: \s* zwischen jedem Anker und dem Cookie-Namen erlaubt. Direct-Test
auf VW: 0 → 60 Cookies / 16 Vendors (Google 13, Adobe-Familie 16, Meta,
Salesforce, Cloudflare, Akamai etc.).

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
This commit is contained in:
Benjamin Admin
2026-05-22 19:17:21 +02:00
parent 1ccfdb5d3d
commit 10c73a1a33
1 changed files with 14 additions and 6 deletions
Download Patch File Download Diff File Expand all files Collapse all files
backend-compliance/compliance/services/cookies_table_parser.py
+14 -6
View File
@@ -307,12 +307,20 @@ def parse_cookie_table(text: str) -> list[dict]:
# - Danach: Kategorie-Token (Tracking Cookies, Funktionscookie, ...)
# Dazwischen: der Cookie-Name (3-50 Zeichen, alphanum/underscore/dash).
_FLAT_ROW_RE = re.compile(
r"(?:Permanent/Protokoll|Session Cookie|Persistent Cookie|"
r"TagePersistent|TageSitzungs-Cookie|TageSession Cookie|"
r"MinutenPersistent|MinutenSession Cookie|StundenPersistent|"
r"MonatePersistent|JahrePersistent)"
r"([A-Za-z_][A-Za-z0-9_\-\.]{1,40}?)"
r"(?=Tracking Cookies|Session Cookies|Funktionscookie|Funktional|"
# VW + andere flat-text Cookie-Tabellen:
# Layout: [NAME] [KATEGORIE] [ZWECK ...lang] [DAUER] [ART]
# Anchor 1 (davor): Cookie-Art-Token aus vorheriger Row
# Name dazwischen: 3-40 Zeichen alphanum/underscore/dash
# Anchor 2 (danach): Kategorie-Token der aktuellen Row
# Whitespace zwischen den Tokens ist OPTIONAL (textContent vs body.text).
r"(?:Permanent/Protokoll|Session\s*Cookie|Persistent\s*Cookie|"
r"Tage\s*Persistent|Tage\s*Sitzungs-Cookie|Tage\s*Session\s*Cookie|"
r"Minuten\s*Persistent|Minuten\s*Session\s*Cookie|Stunden\s*Persistent|"
r"Monate\s*Persistent|Jahre\s*Persistent)"
r"\s*" # P-fix: optionales Whitespace nach Art-Token (HTML-fetch hat es, textContent nicht)
r"([A-Za-z_][A-Za-z0-9_\-\.]{2,40}?)"
r"\s*" # P-fix: optionales Whitespace vor Kategorie-Anchor
r"(?=Tracking\s*Cookies?|Session\s*Cookies?|Funktionscookie|Funktional|"
r"Marketing|Analytics|Necessary)",
re.I,
)