
O HIGH que não era risco — quando o scanner acerta a forma e erra o contexto
O monitor que assina o esqueleto da página
O Arachne vive de coletar páginas que não são dele. Um site-alvo pode mudar o layout num sábado à noite, sem avisar, e no domingo o extrator devolve zero itens porque o seletor apontava para uma div que não existe mais. Em silêncio, o banco para de receber dados e ninguém percebe.
A defesa que construí para esse cenário não olha o conteúdo: olha o esqueleto. O coletor reduz o HTML a uma sequência de tags e atributos relevantes, descarta texto e valores, e transforma o resultado num hash curto. Esse hash vira a assinatura da página; na coleta seguinte ele é recalculado e comparado com o anterior. Mudou o esqueleto, mudou o site — e aí sai alerta, com o antes e o depois lado a lado.
As ferramentas que uso neste projeto ficam na loja de skills — a primeira é grátis.
A escolha do algoritmo não teve cerimônia: MD5. O objetivo nunca foi resistência a colisão — era detectar diferença entre esqueletos de HTML, não impedir forjamento. A suíte de monitoramento tem 30 testes cobrindo esse caminho.
O que o scanner viu
Na revisão estática do fim de semana, o bandit — analisador de padrões inseguros para Python — marcou uma linha: Use of weak SHA1 hash for security. Consider usedforsecurity=False. Regra B324, severidade alta. Um HIGH num relatório que ninguém audita diariamente produz efeito previsível: ou você para tudo, ou aprende a ignorar o relatório.
O achado está certo na forma e errado no contexto. O MD5 ali não autentica, não assina, não guarda segredo — é uso de checksum: identidade estrutural. A ferramenta não tem como saber disso olhando o código; vê um algoritmo historicamente quebrado sendo chamado e reclama. Deve reclamar: falso positivo aqui custa pouco, falso negativo custaria muito.
O detalhe que fez esse caso render: na mesma semana, o achado de severidade média era o risco real. Em dois scripts de capa, o bandit apontou B310 — urlopen sem restrição de esquema. O código recebia uma URL de ambiente, baixava e gravava em disco. Com file:// ou um esquema exótico, a função de download virava leitor de arquivo local. Nenhum HIGH ali: um Medium, classificado como “auditar esquemas permitidos”.
O HIGH era cosmético; o Medium era caminho de ataque. Quem lê relatório por ordem de severidade — e todo mundo lê — olha primeiro para o lugar errado.
Três saídas, uma honesta
Para o hash, três caminhos e apenas um honesto:
- Trocar para SHA-256. Custo real: toda assinatura gravada fica incompatível. Na primeira coleta, todos os sites apareceriam como “redesign” e o detector viraria festival de alerta falso. Pagar migração de dado para acalmar um relatório é trocar um problema por outro.
- Colocar um comentário de supressão e seguir. É o caminho mais rápido e o pior. Um
# nosecsem explicação é dívida: o próximo leitor — inclusive eu daqui a três meses — vê uma linha silenciada e não sabe se foi decisão ou preguiça. - Declarar a intenção na própria chamada. A biblioteca padrão do Python resolve isso com o parâmetro
usedforsecurity. Ele não muda o algoritmo: muda o que o código afirma sobre o uso. É a diferença entre esconder o achado e respondê-lo.
Escolhi a terceira. Uma linha alterada, um arquivo, commit 743720e9. O comportamento em produção não mudou um byte.
import hashlib
payload = "<div class=x><span></span></div>"
# hash de identidade estrutural: nao protege nada, so compara versoes
assinatura = hashlib.md5(payload.encode(), usedforsecurity=False).hexdigest()
O comentário não é enfeite: ele existe para o próximo scanner, o próximo revisor e o próximo eu.
O Medium era o risco real
Nas capas a correção foi outra, porque o risco era outro: validar o esquema da URL antes do download e recusar tudo que não seja HTTP ou HTTPS. Só depois disso a supressão do B310 documenta uma guarda em vez de substituí-la.
from urllib.parse import urlparse
url = "https://exemplo.invalid/imagem.webp"
if urlparse(url).scheme not in ("http", "https"):
raise ValueError(f"esquema nao permitido: {url!r}")
Medido nos três arquivos afetados: antes, o bandit reportava 1 achado alto, 2 médios e 3 baixos. Depois, 0 altos, 0 médios, os mesmos 3 baixos e exatamente 2 supressões documentadas. O número que interessa não é “zero achados” — é dois achados com decisão escrita.
O que isso muda
Nada disso vale se o scanner não for lido. O fluxo de auditoria do Arachne roda o bandit com corte em severidade média, mas o passo termina verde de qualquer forma: o relatório é consultivo, não é portão. Defensável enquanto alguém lê toda semana — e exatamente o tipo de escolha que apodrece quando a semana enche. O sintoma é sempre o mesmo: o número de achados abertos sobe e ninguém sabe quantos foram decididos.
A lição que ficou não é sobre MD5. É sobre a diferença entre contagem de achados e contagem de decisões. Um repositório com doze achados e doze decisões escritas está mais saudável que um repositório com zero achados e nenhuma revisão.
Próximo passo
O passo seguinte é transformar o relatório consultivo em portão com dívida visível: um teto declarado de achados por severidade, que falha quando o número sobe e exige que cada achado novo venha com o motivo — guarda aplicada, falso positivo justificado ou correção pendente. Enquanto o scanner puder ficar verde sem que ninguém decida nada, ele mede a minha disciplina de leitura, não a segurança do código.
Leia também
Mesmo projeto, mesma trilha — as histórias se conectam.
Próximo passo
Se isto te serviu, tem mais: escrevo sobre o mesmo assunto nos outros projetos, e a loja tem as ferramentas que eu uso aqui.
Anotado — aviso quando sair artigo novo.
Sem spam, descadastro de um clique. Também estou aqui: Loja de skills · Portfólio