src/components/search_engines/template_url_parser.cc

   1 // Copyright 2014 The Chromium Authors. All rights reserved.
   2 // Use of this source code is governed by a BSD-style license that can be
   3 // found in the LICENSE file.
   4
   5 #include "components/search_engines/template_url_parser.h"
   6
   7 #include <algorithm>
   8 #include <map>
   9 #include <vector>
  10
  11 #include "base/logging.h"
  12 #include "base/memory/scoped_ptr.h"
  13 #include "base/strings/string_number_conversions.h"
  14 #include "base/strings/string_util.h"
  15 #include "base/strings/utf_string_conversions.h"
  16 #include "components/search_engines/template_url.h"
  17 #include "libxml/parser.h"
  18 #include "libxml/xmlwriter.h"
  19 #include "ui/gfx/favicon_size.h"
  20 #include "url/gurl.h"
  21 #include "url/url_constants.h"
  22
  23 namespace {
  24
  25 // NOTE: libxml uses the UTF-8 encoding. As 0-127 of UTF-8 corresponds
  26 // to that of char, the following names are all in terms of char. This avoids
  27 // having to convert to wide, then do comparisons.
  28
  29 // Defines for element names of the OSD document:
  30 const char kURLElement[] = "Url";
  31 const char kParamElement[] = "Param";
  32 const char kShortNameElement[] = "ShortName";
  33 const char kImageElement[] = "Image";
  34 const char kOpenSearchDescriptionElement[] = "OpenSearchDescription";
  35 const char kFirefoxSearchDescriptionElement[] = "SearchPlugin";
  36 const char kInputEncodingElement[] = "InputEncoding";
  37
  38 // Various XML attributes used.
  39 const char kURLTypeAttribute[] = "type";
  40 const char kURLTemplateAttribute[] = "template";
  41 const char kImageTypeAttribute[] = "type";
  42 const char kImageWidthAttribute[] = "width";
  43 const char kImageHeightAttribute[] = "height";
  44 const char kParamNameAttribute[] = "name";
  45 const char kParamValueAttribute[] = "value";
  46 const char kParamMethodAttribute[] = "method";
  47
  48 // Mime type for search results.
  49 const char kHTMLType[] = "text/html";
  50
  51 // Mime type for as you type suggestions.
  52 const char kSuggestionType[] = "application/x-suggestions+json";
  53
  54 std::string XMLCharToString(const xmlChar* value) {
  55   return std::string(reinterpret_cast<const char*>(value));
  56 }
  57
  58 // Returns true if input_encoding contains a valid input encoding string. This
  59 // doesn't verify that we have a valid encoding for the string, just that the
  60 // string contains characters that constitute a valid input encoding.
  61 bool IsValidEncodingString(const std::string& input_encoding) {
  62   if (input_encoding.empty())
  63     return false;
  64
  65   if (!IsAsciiAlpha(input_encoding[0]))
  66     return false;
  67
  68   for (size_t i = 1, max = input_encoding.size(); i < max; ++i) {
  69     char c = input_encoding[i];
  70     if (!IsAsciiAlpha(c) && !IsAsciiDigit(c) && c != '.' && c != '_' &&
  71         c != '-') {
  72       return false;
  73     }
  74   }
  75   return true;
  76 }
  77
  78 void AppendParamToQuery(const std::string& key,
  79                         const std::string& value,
  80                         std::string* query) {
  81   if (!query->empty())
  82     query->append("&");
  83   if (!key.empty()) {
  84     query->append(key);
  85     query->append("=");
  86   }
  87   query->append(value);
  88 }
  89
  90 // Returns true if |url| is empty or is a valid URL with a scheme of HTTP[S].
  91 bool IsHTTPRef(const std::string& url) {
  92   if (url.empty())
  93     return true;
  94   GURL gurl(url);
  95   return gurl.is_valid() && (gurl.SchemeIs(url::kHttpScheme) ||
  96                              gurl.SchemeIs(url::kHttpsScheme));
  97 }
  98
  99 }  // namespace
 100
 101
 102 // TemplateURLParsingContext --------------------------------------------------
 103
 104 // To minimize memory overhead while parsing, a SAX style parser is used.
 105 // TemplateURLParsingContext is used to maintain the state we're in the document
 106 // while parsing.
 107 class TemplateURLParsingContext {
 108  public:
 109   // Enum of the known element types.
 110   enum ElementType {
 111     UNKNOWN,
 112     OPEN_SEARCH_DESCRIPTION,
 113     URL,
 114     PARAM,
 115     SHORT_NAME,
 116     IMAGE,
 117     INPUT_ENCODING,
 118   };
 119
 120   enum Method {
 121     GET,
 122     POST
 123   };
 124
 125   // Key/value of a Param node.
 126   typedef std::pair<std::string, std::string> Param;
 127
 128   explicit TemplateURLParsingContext(
 129       TemplateURLParser::ParameterFilter* parameter_filter);
 130
 131   static void StartElementImpl(void* ctx,
 132                                const xmlChar* name,
 133                                const xmlChar** atts);
 134   static void EndElementImpl(void* ctx, const xmlChar* name);
 135   static void CharactersImpl(void* ctx, const xmlChar* ch, int len);
 136
 137   // Returns a heap-allocated TemplateURL representing the result of parsing.
 138   // This will be NULL if parsing failed or if the results were invalid for some
 139   // reason (e.g. the resulting URL was not HTTP[S], a name wasn't supplied,
 140   // a resulting TemplateURLRef was invalid, etc.).
 141   TemplateURL* GetTemplateURL(const SearchTermsData& search_terms_data,
 142                               bool show_in_default_list);
 143
 144  private:
 145   // Key is UTF8 encoded.
 146   typedef std::map<std::string, ElementType> ElementNameToElementTypeMap;
 147
 148   static void InitMapping();
 149
 150   void ParseURL(const xmlChar** atts);
 151   void ParseImage(const xmlChar** atts);
 152   void ParseParam(const xmlChar** atts);
 153   void ProcessURLParams();
 154
 155   // Returns the current ElementType.
 156   ElementType GetKnownType();
 157
 158   static ElementNameToElementTypeMap* kElementNameToElementTypeMap;
 159
 160   // Data that gets updated as we parse, and is converted to a TemplateURL by
 161   // GetTemplateURL().
 162   TemplateURLData data_;
 163
 164   std::vector<ElementType> elements_;
 165   bool image_is_valid_for_favicon_;
 166
 167   // Character content for the current element.
 168   base::string16 string_;
 169
 170   TemplateURLParser::ParameterFilter* parameter_filter_;
 171
 172   // The list of parameters parsed in the Param nodes of a Url node.
 173   std::vector<Param> extra_params_;
 174
 175   // The HTTP methods used.
 176   Method method_;
 177   Method suggestion_method_;
 178
 179   // If true, we are currently parsing a suggest URL, otherwise it is an HTML
 180   // search.  Note that we don't need a stack as URL nodes cannot be nested.
 181   bool is_suggest_url_;
 182
 183   // Whether we should derive the image from the URL (when images are data
 184   // URLs).
 185   bool derive_image_from_url_;
 186
 187   DISALLOW_COPY_AND_ASSIGN(TemplateURLParsingContext);
 188 };
 189
 190 // static
 191 TemplateURLParsingContext::ElementNameToElementTypeMap*
 192     TemplateURLParsingContext::kElementNameToElementTypeMap = NULL;
 193
 194 TemplateURLParsingContext::TemplateURLParsingContext(
 195     TemplateURLParser::ParameterFilter* parameter_filter)
 196     : image_is_valid_for_favicon_(false),
 197       parameter_filter_(parameter_filter),
 198       method_(GET),
 199       suggestion_method_(GET),
 200       is_suggest_url_(false),
 201       derive_image_from_url_(false) {
 202   if (kElementNameToElementTypeMap == NULL)
 203     InitMapping();
 204 }
 205
 206 // static
 207 void TemplateURLParsingContext::StartElementImpl(void* ctx,
 208                                                  const xmlChar* name,
 209                                                  const xmlChar** atts) {
 210   // Remove the namespace from |name|, ex: os:Url -> Url.
 211   std::string node_name(XMLCharToString(name));
 212   size_t index = node_name.find_first_of(":");
 213   if (index != std::string::npos)
 214     node_name.erase(0, index + 1);
 215
 216   TemplateURLParsingContext* context =
 217       reinterpret_cast<TemplateURLParsingContext*>(ctx);
 218   context->elements_.push_back(
 219     context->kElementNameToElementTypeMap->count(node_name) ?
 220         (*context->kElementNameToElementTypeMap)[node_name] : UNKNOWN);
 221   switch (context->GetKnownType()) {
 222     case TemplateURLParsingContext::URL:
 223       context->extra_params_.clear();
 224       context->ParseURL(atts);
 225       break;
 226     case TemplateURLParsingContext::IMAGE:
 227       context->ParseImage(atts);
 228       break;
 229     case TemplateURLParsingContext::PARAM:
 230       context->ParseParam(atts);
 231       break;
 232     default:
 233       break;
 234   }
 235   context->string_.clear();
 236 }
 237
 238 // static
 239 void TemplateURLParsingContext::EndElementImpl(void* ctx, const xmlChar* name) {
 240   TemplateURLParsingContext* context =
 241       reinterpret_cast<TemplateURLParsingContext*>(ctx);
 242   switch (context->GetKnownType()) {
 243     case TemplateURLParsingContext::SHORT_NAME:
 244       context->data_.short_name = context->string_;
 245       break;
 246     case TemplateURLParsingContext::IMAGE: {
 247       GURL image_url(base::UTF16ToUTF8(context->string_));
 248       if (image_url.SchemeIs(url::kDataScheme)) {
 249         // TODO (jcampan): bug 1169256: when dealing with data URL, we need to
 250         // decode the data URL in the renderer. For now, we'll just point to the
 251         // favicon from the URL.
 252         context->derive_image_from_url_ = true;
 253       } else if (context->image_is_valid_for_favicon_ && image_url.is_valid() &&
 254                  (image_url.SchemeIs(url::kHttpScheme) ||
 255                   image_url.SchemeIs(url::kHttpsScheme))) {
 256         context->data_.favicon_url = image_url;
 257       }
 258       context->image_is_valid_for_favicon_ = false;
 259       break;
 260     }
 261     case TemplateURLParsingContext::INPUT_ENCODING: {
 262       std::string input_encoding = base::UTF16ToASCII(context->string_);
 263       if (IsValidEncodingString(input_encoding))
 264         context->data_.input_encodings.push_back(input_encoding);
 265       break;
 266     }
 267     case TemplateURLParsingContext::URL:
 268       context->ProcessURLParams();
 269       break;
 270     default:
 271       break;
 272   }
 273   context->string_.clear();
 274   context->elements_.pop_back();
 275 }
 276
 277 // static
 278 void TemplateURLParsingContext::CharactersImpl(void* ctx,
 279                                                const xmlChar* ch,
 280                                                int len) {
 281   reinterpret_cast<TemplateURLParsingContext*>(ctx)->string_ +=
 282       base::UTF8ToUTF16(std::string(reinterpret_cast<const char*>(ch), len));
 283 }
 284
 285 TemplateURL* TemplateURLParsingContext::GetTemplateURL(
 286     const SearchTermsData& search_terms_data,
 287     bool show_in_default_list) {
 288   // TODO(jcampan): Support engines that use POST; see http://crbug.com/18107
 289   if (method_ == TemplateURLParsingContext::POST || data_.short_name.empty() ||
 290       !IsHTTPRef(data_.url()) || !IsHTTPRef(data_.suggestions_url))
 291     return NULL;
 292   if (suggestion_method_ == TemplateURLParsingContext::POST)
 293     data_.suggestions_url.clear();
 294
 295   // If the image was a data URL, use the favicon from the search URL instead.
 296   // (see the TODO in EndElementImpl()).
 297   GURL search_url(data_.url());
 298   if (derive_image_from_url_ && data_.favicon_url.is_empty())
 299     data_.favicon_url = TemplateURL::GenerateFaviconURL(search_url);
 300
 301   data_.SetKeyword(TemplateURL::GenerateKeyword(search_url));
 302   data_.show_in_default_list = show_in_default_list;
 303
 304   // Bail if the search URL is empty or if either TemplateURLRef is invalid.
 305   scoped_ptr<TemplateURL> template_url(new TemplateURL(data_));
 306   if (template_url->url().empty() ||
 307       !template_url->url_ref().IsValid(search_terms_data) ||
 308       (!template_url->suggestions_url().empty() &&
 309        !template_url->suggestions_url_ref().IsValid(search_terms_data))) {
 310     return NULL;
 311   }
 312
 313   return template_url.release();
 314 }
 315
 316 // static
 317 void TemplateURLParsingContext::InitMapping() {
 318   kElementNameToElementTypeMap = new std::map<std::string, ElementType>;
 319   (*kElementNameToElementTypeMap)[kURLElement] = URL;
 320   (*kElementNameToElementTypeMap)[kParamElement] = PARAM;
 321   (*kElementNameToElementTypeMap)[kShortNameElement] = SHORT_NAME;
 322   (*kElementNameToElementTypeMap)[kImageElement] = IMAGE;
 323   (*kElementNameToElementTypeMap)[kOpenSearchDescriptionElement] =
 324       OPEN_SEARCH_DESCRIPTION;
 325   (*kElementNameToElementTypeMap)[kFirefoxSearchDescriptionElement] =
 326       OPEN_SEARCH_DESCRIPTION;
 327   (*kElementNameToElementTypeMap)[kInputEncodingElement] = INPUT_ENCODING;
 328 }
 329
 330 void TemplateURLParsingContext::ParseURL(const xmlChar** atts) {
 331   if (!atts)
 332     return;
 333
 334   std::string template_url;
 335   bool is_post = false;
 336   bool is_html_url = false;
 337   bool is_suggest_url = false;
 338   for (; *atts; atts += 2) {
 339     std::string name(XMLCharToString(*atts));
 340     const xmlChar* value = atts[1];
 341     if (name == kURLTypeAttribute) {
 342       std::string type = XMLCharToString(value);
 343       is_html_url = (type == kHTMLType);
 344       is_suggest_url = (type == kSuggestionType);
 345     } else if (name == kURLTemplateAttribute) {
 346       template_url = XMLCharToString(value);
 347     } else if (name == kParamMethodAttribute) {
 348       is_post = LowerCaseEqualsASCII(XMLCharToString(value), "post");
 349     }
 350   }
 351
 352   if (is_html_url && !template_url.empty()) {
 353     data_.SetURL(template_url);
 354     is_suggest_url_ = false;
 355     if (is_post)
 356       method_ = POST;
 357   } else if (is_suggest_url) {
 358     data_.suggestions_url = template_url;
 359     is_suggest_url_ = true;
 360     if (is_post)
 361       suggestion_method_ = POST;
 362   }
 363 }
 364
 365 void TemplateURLParsingContext::ParseImage(const xmlChar** atts) {
 366   if (!atts)
 367     return;
 368
 369   int width = 0;
 370   int height = 0;
 371   std::string type;
 372   for (; *atts; atts += 2) {
 373     std::string name(XMLCharToString(*atts));
 374     const xmlChar* value = atts[1];
 375     if (name == kImageTypeAttribute) {
 376       type = XMLCharToString(value);
 377     } else if (name == kImageWidthAttribute) {
 378       base::StringToInt(XMLCharToString(value), &width);
 379     } else if (name == kImageHeightAttribute) {
 380       base::StringToInt(XMLCharToString(value), &height);
 381     }
 382   }
 383
 384   image_is_valid_for_favicon_ = (width == gfx::kFaviconSize) &&
 385       (height == gfx::kFaviconSize) &&
 386       ((type == "image/x-icon") || (type == "image/vnd.microsoft.icon"));
 387 }
 388
 389 void TemplateURLParsingContext::ParseParam(const xmlChar** atts) {
 390   if (!atts)
 391     return;
 392
 393   std::string key, value;
 394   for (; *atts; atts += 2) {
 395     std::string name(XMLCharToString(*atts));
 396     const xmlChar* val = atts[1];
 397     if (name == kParamNameAttribute) {
 398       key = XMLCharToString(val);
 399     } else if (name == kParamValueAttribute) {
 400       value = XMLCharToString(val);
 401     }
 402   }
 403
 404   if (!key.empty() &&
 405       (!parameter_filter_ || parameter_filter_->KeepParameter(key, value)))
 406     extra_params_.push_back(Param(key, value));
 407 }
 408
 409 void TemplateURLParsingContext::ProcessURLParams() {
 410   if (!parameter_filter_ && extra_params_.empty())
 411     return;
 412
 413   GURL url(is_suggest_url_ ? data_.suggestions_url : data_.url());
 414   if (url.is_empty())
 415     return;
 416
 417   // If there is a parameter filter, parse the existing URL and remove any
 418   // unwanted parameter.
 419   std::string new_query;
 420   bool modified = false;
 421   if (parameter_filter_) {
 422     url::Component query = url.parsed_for_possibly_invalid_spec().query;
 423     url::Component key, value;
 424     const char* url_spec = url.spec().c_str();
 425     while (url::ExtractQueryKeyValue(url_spec, &query, &key, &value)) {
 426       std::string key_str(url_spec, key.begin, key.len);
 427       std::string value_str(url_spec, value.begin, value.len);
 428       if (parameter_filter_->KeepParameter(key_str, value_str)) {
 429         AppendParamToQuery(key_str, value_str, &new_query);
 430       } else {
 431         modified = true;
 432       }
 433     }
 434   }
 435   if (!modified)
 436     new_query = url.query();
 437
 438   // Add the extra parameters if any.
 439   if (!extra_params_.empty()) {
 440     modified = true;
 441     for (std::vector<Param>::const_iterator iter(extra_params_.begin());
 442          iter != extra_params_.end(); ++iter)
 443       AppendParamToQuery(iter->first, iter->second, &new_query);
 444   }
 445
 446   if (modified) {
 447     GURL::Replacements repl;
 448     repl.SetQueryStr(new_query);
 449     url = url.ReplaceComponents(repl);
 450     if (is_suggest_url_)
 451       data_.suggestions_url = url.spec();
 452     else if (url.is_valid())
 453       data_.SetURL(url.spec());
 454   }
 455 }
 456
 457 TemplateURLParsingContext::ElementType
 458     TemplateURLParsingContext::GetKnownType() {
 459   if (elements_.size() == 2 && elements_[0] == OPEN_SEARCH_DESCRIPTION)
 460     return elements_[1];
 461   // We only expect PARAM nodes under the URL node.
 462   return (elements_.size() == 3 && elements_[0] == OPEN_SEARCH_DESCRIPTION &&
 463       elements_[1] == URL && elements_[2] == PARAM) ? PARAM : UNKNOWN;
 464 }
 465
 466
 467 // TemplateURLParser ----------------------------------------------------------
 468
 469 // static
 470 TemplateURL* TemplateURLParser::Parse(
 471     const SearchTermsData& search_terms_data,
 472     bool show_in_default_list,
 473     const char* data,
 474     size_t length,
 475     TemplateURLParser::ParameterFilter* param_filter) {
 476   // xmlSubstituteEntitiesDefault(1) makes it so that &amp; isn't mapped to
 477   // &#38; . Unfortunately xmlSubstituteEntitiesDefault affects global state.
 478   // If this becomes problematic we'll need to provide our own entity
 479   // type for &amp;, or strip out &#38; by hand after parsing.
 480   int last_sub_entities_value = xmlSubstituteEntitiesDefault(1);
 481   TemplateURLParsingContext context(param_filter);
 482   xmlSAXHandler sax_handler;
 483   memset(&sax_handler, 0, sizeof(sax_handler));
 484   sax_handler.startElement = &TemplateURLParsingContext::StartElementImpl;
 485   sax_handler.endElement = &TemplateURLParsingContext::EndElementImpl;
 486   sax_handler.characters = &TemplateURLParsingContext::CharactersImpl;
 487   int error = xmlSAXUserParseMemory(&sax_handler, &context, data,
 488                                     static_cast<int>(length));
 489   xmlSubstituteEntitiesDefault(last_sub_entities_value);
 490
 491   return error ?
 492       NULL : context.GetTemplateURL(search_terms_data, show_in_default_list);
 493 }