1 /*
2  * Claws Mail -- a GTK+ based, lightweight, and fast e-mail client
3  * Copyright (C) 1999-2016 Hiroyuki Yamamoto and the Claws Mail team
4  *
5  * This program is free software; you can redistribute it and/or modify
6  * it under the terms of the GNU General Public License as published by
7  * the Free Software Foundation; either version 3 of the License, or
8  * (at your option) any later version.
9  *
10  * This program is distributed in the hope that it will be useful,
11  * but WITHOUT ANY WARRANTY; without even the implied warranty of
12  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
13  * GNU General Public License for more details.
14  *
15  * You should have received a copy of the GNU General Public License
16  * along with this program. If not, see <http://www.gnu.org/licenses/>.
17  */
18 
19 #ifdef HAVE_CONFIG_H
20 #  include "config.h"
21 #include "claws-features.h"
22 #endif
23 
24 #include <glib.h>
25 #include <stdio.h>
26 #include <string.h>
27 #include <ctype.h>
28 
29 #include "html.h"
30 #include "codeconv.h"
31 #include "utils.h"
32 #include "entity.h"
33 #include "file-utils.h"
34 
35 #define SC_HTMLBUFSIZE	8192
36 #define HR_STR		"────────────────────────────────────────────────"
37 #define LI_STR		"• "
38 
39 static SC_HTMLState sc_html_read_line	(SC_HTMLParser	*parser);
40 static void sc_html_append_char			(SC_HTMLParser	*parser,
41 					 gchar		 ch);
42 static void sc_html_append_str			(SC_HTMLParser	*parser,
43 					 const gchar	*str,
44 					 gint		 len);
45 static SC_HTMLState sc_html_parse_tag	(SC_HTMLParser	*parser);
46 static void sc_html_parse_special		(SC_HTMLParser	*parser);
47 static void sc_html_get_parenthesis		(SC_HTMLParser	*parser,
48 					 gchar		*buf,
49 					 gint		 len);
50 
51 
sc_html_parser_new(FILE * fp,CodeConverter * conv)52 SC_HTMLParser *sc_html_parser_new(FILE *fp, CodeConverter *conv)
53 {
54 	SC_HTMLParser *parser;
55 
56 	cm_return_val_if_fail(fp != NULL, NULL);
57 	cm_return_val_if_fail(conv != NULL, NULL);
58 
59 	parser = g_new0(SC_HTMLParser, 1);
60 	parser->fp = fp;
61 	parser->conv = conv;
62 	parser->str = g_string_new(NULL);
63 	parser->buf = g_string_new(NULL);
64 	parser->bufp = parser->buf->str;
65 	parser->state = SC_HTML_NORMAL;
66 	parser->href = NULL;
67 	parser->newline = TRUE;
68 	parser->empty_line = TRUE;
69 	parser->space = FALSE;
70 	parser->pre = FALSE;
71 	parser->indent = 0;
72 
73 	return parser;
74 }
75 
sc_html_parser_destroy(SC_HTMLParser * parser)76 void sc_html_parser_destroy(SC_HTMLParser *parser)
77 {
78 	g_string_free(parser->str, TRUE);
79 	g_string_free(parser->buf, TRUE);
80 	g_free(parser->href);
81 	g_free(parser);
82 }
83 
sc_html_parse(SC_HTMLParser * parser)84 gchar *sc_html_parse(SC_HTMLParser *parser)
85 {
86 	parser->state = SC_HTML_NORMAL;
87 	g_string_truncate(parser->str, 0);
88 
89 	if (*parser->bufp == '\0') {
90 		g_string_truncate(parser->buf, 0);
91 		parser->bufp = parser->buf->str;
92 		if (sc_html_read_line(parser) == SC_HTML_EOF)
93 			return NULL;
94 	}
95 
96 	while (*parser->bufp != '\0') {
97 		switch (*parser->bufp) {
98 		case '<': {
99 			SC_HTMLState st;
100 			st = sc_html_parse_tag(parser);
101 			/* when we see an href, we need to flush the str
102 			 * buffer.  Then collect all the chars until we
103 			 * see the end anchor tag
104 			 */
105 			if (SC_HTML_HREF_BEG == st || SC_HTML_HREF == st)
106 				return parser->str->str;
107 			}
108 			break;
109 		case '&':
110 			sc_html_parse_special(parser);
111 			break;
112 		case ' ':
113 		case '\t':
114 		case '\r':
115 		case '\n':
116 			if (parser->bufp[0] == '\r' && parser->bufp[1] == '\n')
117 				parser->bufp++;
118 
119 			if (!parser->pre) {
120 				if (!parser->newline)
121 					parser->space = TRUE;
122 
123 				parser->bufp++;
124 				break;
125 			}
126 			/* fallthrough */
127 		default:
128 			sc_html_append_char(parser, *parser->bufp++);
129 		}
130 	}
131 
132 	return parser->str->str;
133 }
134 
sc_html_read_line(SC_HTMLParser * parser)135 static SC_HTMLState sc_html_read_line(SC_HTMLParser *parser)
136 {
137 	gchar buf[SC_HTMLBUFSIZE];
138 	gchar buf2[SC_HTMLBUFSIZE*4];
139 	gint index;
140 	gint n;
141 
142 	if (parser->fp == NULL)
143 		return SC_HTML_EOF;
144 
145 	n = claws_fread(buf, 1, sizeof(buf) - 1, parser->fp);
146 	if (n == 0) {
147 		parser->state = SC_HTML_EOF;
148 		return SC_HTML_EOF;
149 	} else
150 		buf[n] = '\0';
151 
152 	if (conv_convert(parser->conv, buf2, sizeof(buf2), buf) < 0) {
153 		index = parser->bufp - parser->buf->str;
154 
155 		conv_utf8todisp(buf2, sizeof(buf2), buf);
156 		g_string_append(parser->buf, buf2);
157 
158 		parser->bufp = parser->buf->str + index;
159 
160 		return SC_HTML_CONV_FAILED;
161 	}
162 
163 	index = parser->bufp - parser->buf->str;
164 
165 	g_string_append(parser->buf, buf2);
166 
167 	parser->bufp = parser->buf->str + index;
168 
169 	return SC_HTML_NORMAL;
170 }
171 
sc_html_append_char(SC_HTMLParser * parser,gchar ch)172 static void sc_html_append_char(SC_HTMLParser *parser, gchar ch)
173 {
174 	GString *str = parser->str;
175 
176 	if (!parser->pre && parser->space) {
177 		g_string_append_c(str, ' ');
178 		parser->space = FALSE;
179 	}
180 
181 	g_string_append_c(str, ch);
182 
183 	parser->empty_line = FALSE;
184 	if (ch == '\n') {
185 		parser->newline = TRUE;
186 		if (str->len > 1 && str->str[str->len - 2] == '\n')
187 			parser->empty_line = TRUE;
188 		if (parser->indent > 0) {
189 			gint i, n = parser->indent;
190 			for (i = 0; i < n; i++)
191 				g_string_append_c(str, '>');
192 			g_string_append_c(str, ' ');
193 		}
194 	} else
195 		parser->newline = FALSE;
196 }
197 
sc_html_append_str(SC_HTMLParser * parser,const gchar * str,gint len)198 static void sc_html_append_str(SC_HTMLParser *parser, const gchar *str, gint len)
199 {
200 	GString *string = parser->str;
201 
202 	if (!parser->pre && parser->space) {
203 		g_string_append_c(string, ' ');
204 		parser->space = FALSE;
205 	}
206 
207 	if (len == 0) return;
208 	if (len < 0)
209 		g_string_append(string, str);
210 	else {
211 		gchar *s;
212 		Xstrndup_a(s, str, len, return);
213 		g_string_append(string, s);
214 	}
215 
216 	parser->empty_line = FALSE;
217 	if (string->len > 0 && string->str[string->len - 1] == '\n') {
218 		parser->newline = TRUE;
219 		if (string->len > 1 && string->str[string->len - 2] == '\n')
220 			parser->empty_line = TRUE;
221 	} else
222 		parser->newline = FALSE;
223 }
224 
sc_html_get_tag(const gchar * str)225 static SC_HTMLTag *sc_html_get_tag(const gchar *str)
226 {
227 	SC_HTMLTag *tag;
228 	gchar *tmp;
229 	guchar *tmpp;
230 
231 	cm_return_val_if_fail(str != NULL, NULL);
232 
233 	if (*str == '\0' || *str == '!') return NULL;
234 
235 	Xstrdup_a(tmp, str, return NULL);
236 
237 	tag = g_new0(SC_HTMLTag, 1);
238 
239 	for (tmpp = tmp; *tmpp != '\0' && !g_ascii_isspace(*tmpp); tmpp++)
240 		;
241 
242 	if (*tmpp == '\0') {
243 		tag->name = g_utf8_strdown(tmp, -1);
244 		return tag;
245 	} else {
246 		*tmpp++ = '\0';
247 		tag->name = g_utf8_strdown(tmp, -1);
248 	}
249 
250 	while (*tmpp != '\0') {
251 		SC_HTMLAttr *attr;
252 		gchar *attr_name;
253 		gchar *attr_value;
254 		gchar *p;
255 		gchar quote;
256 
257 		while (g_ascii_isspace(*tmpp)) tmpp++;
258 		attr_name = tmpp;
259 
260 		while (*tmpp != '\0' && !g_ascii_isspace(*tmpp) &&
261 		       *tmpp != '=')
262 			tmpp++;
263 		if (*tmpp != '\0' && *tmpp != '=') {
264 			*tmpp++ = '\0';
265 			while (g_ascii_isspace(*tmpp)) tmpp++;
266 		}
267 
268 		if (*tmpp == '=') {
269 			*tmpp++ = '\0';
270 			while (g_ascii_isspace(*tmpp)) tmpp++;
271 
272 			if (*tmpp == '"' || *tmpp == '\'') {
273 				/* name="value" */
274 				quote = *tmpp;
275 				tmpp++;
276 				attr_value = tmpp;
277 				if ((p = strchr(attr_value, quote)) == NULL) {
278 					if (debug_get_mode()) {
279 						g_warning("sc_html_get_tag(): syntax error in tag: '%s'",
280 								  str);
281 					} else {
282 						gchar *cut = g_strndup(str, 100);
283 						g_warning("sc_html_get_tag(): syntax error in tag: '%s%s'",
284 								  cut, strlen(str)>100?"...":".");
285 						g_free(cut);
286 					}
287 					return tag;
288 				}
289 				tmpp = p;
290 				*tmpp++ = '\0';
291 				while (g_ascii_isspace(*tmpp)) tmpp++;
292 			} else {
293 				/* name=value */
294 				attr_value = tmpp;
295 				while (*tmpp != '\0' && !g_ascii_isspace(*tmpp)) tmpp++;
296 				if (*tmpp != '\0')
297 					*tmpp++ = '\0';
298 			}
299 		} else
300 			attr_value = "";
301 
302 		g_strchomp(attr_name);
303 		attr = g_new(SC_HTMLAttr, 1);
304 		attr->name = g_utf8_strdown(attr_name, -1);
305 		attr->value = g_strdup(attr_value);
306 		tag->attr = g_list_append(tag->attr, attr);
307 	}
308 
309 	return tag;
310 }
311 
sc_html_free_tag(SC_HTMLTag * tag)312 static void sc_html_free_tag(SC_HTMLTag *tag)
313 {
314 	if (!tag) return;
315 
316 	g_free(tag->name);
317 	while (tag->attr != NULL) {
318 		SC_HTMLAttr *attr = (SC_HTMLAttr *)tag->attr->data;
319 		g_free(attr->name);
320 		g_free(attr->value);
321 		g_free(attr);
322 		tag->attr = g_list_remove(tag->attr, tag->attr->data);
323 	}
324 	g_free(tag);
325 }
326 
decode_href(SC_HTMLParser * parser)327 static void decode_href(SC_HTMLParser *parser)
328 {
329 	gchar *tmp;
330 	SC_HTMLParser *tparser = g_new0(SC_HTMLParser, 1);
331 
332 	tparser->str = g_string_new(NULL);
333 	tparser->buf = g_string_new(parser->href);
334 	tparser->bufp = tparser->buf->str;
335 
336 	tmp = sc_html_parse(tparser);
337 
338 	g_free(parser->href);
339 	parser->href = g_strdup(tmp);
340 
341 	sc_html_parser_destroy(tparser);
342 }
343 
sc_html_parse_tag(SC_HTMLParser * parser)344 static SC_HTMLState sc_html_parse_tag(SC_HTMLParser *parser)
345 {
346 	gchar buf[SC_HTMLBUFSIZE];
347 	SC_HTMLTag *tag;
348 
349 	sc_html_get_parenthesis(parser, buf, sizeof(buf));
350 
351 	tag = sc_html_get_tag(buf);
352 
353 	parser->state = SC_HTML_UNKNOWN;
354 	if (!tag) return SC_HTML_UNKNOWN;
355 
356 	if (!strcmp(tag->name, "br") || !strcmp(tag->name, "br/")) {
357 		parser->space = FALSE;
358 		sc_html_append_char(parser, '\n');
359 		parser->state = SC_HTML_BR;
360 	} else if (!strcmp(tag->name, "a")) {
361 		GList *cur;
362 		if (parser->href != NULL) {
363 			g_free(parser->href);
364 			parser->href = NULL;
365 		}
366 		for (cur = tag->attr; cur != NULL; cur = cur->next) {
367 			if (cur->data && !strcmp(((SC_HTMLAttr *)cur->data)->name, "href")) {
368 				g_free(parser->href);
369 				parser->href = g_strdup(((SC_HTMLAttr *)cur->data)->value);
370 				decode_href(parser);
371 				parser->state = SC_HTML_HREF_BEG;
372 				break;
373 			}
374 		}
375 		if (parser->href == NULL)
376 			parser->href = g_strdup("");
377 		parser->state = SC_HTML_HREF_BEG;
378 	} else if (!strcmp(tag->name, "/a")) {
379 		parser->state = SC_HTML_HREF;
380 	} else if (!strcmp(tag->name, "p")) {
381 		parser->space = FALSE;
382 		if (!parser->empty_line) {
383 			parser->space = FALSE;
384 			if (!parser->newline) sc_html_append_char(parser, '\n');
385 			sc_html_append_char(parser, '\n');
386 		}
387 		parser->state = SC_HTML_PAR;
388 	} else if (!strcmp(tag->name, "pre")) {
389 		parser->pre = TRUE;
390 		parser->state = SC_HTML_PRE;
391 	} else if (!strcmp(tag->name, "/pre")) {
392 		parser->pre = FALSE;
393 		parser->state = SC_HTML_NORMAL;
394 	} else if (!strcmp(tag->name, "hr")) {
395 		if (!parser->newline) {
396 			parser->space = FALSE;
397 			sc_html_append_char(parser, '\n');
398 		}
399 		sc_html_append_str(parser, HR_STR, -1);
400 		sc_html_append_char(parser, '\n');
401 		parser->state = SC_HTML_HR;
402 	} else if (!strcmp(tag->name, "div")    ||
403 		   !strcmp(tag->name, "ul")     ||
404 		   !strcmp(tag->name, "li")     ||
405 		   !strcmp(tag->name, "table")  ||
406 		   !strcmp(tag->name, "dd")     ||
407 		   !strcmp(tag->name, "tr")) {
408 		if (!parser->newline) {
409 			parser->space = FALSE;
410 			sc_html_append_char(parser, '\n');
411 		}
412 		if (!strcmp(tag->name, "li")) {
413 			sc_html_append_str(parser, LI_STR, -1);
414 		}
415 		parser->state = SC_HTML_NORMAL;
416 	} else if (tag->name[0] == 'h' && g_ascii_isdigit(tag->name[1])) {
417 		if (!parser->newline) {
418 			parser->space = FALSE;
419 			sc_html_append_char(parser, '\n');
420 		}
421 		sc_html_append_char(parser, '\n');
422 	} else if (!strcmp(tag->name, "blockquote")) {
423 		parser->state = SC_HTML_NORMAL;
424 		parser->indent++;
425 	} else if (!strcmp(tag->name, "/blockquote")) {
426 		parser->state = SC_HTML_NORMAL;
427 		parser->indent--;
428 	} else if (!strcmp(tag->name, "/table") ||
429 		   (tag->name[0] == '/' &&
430 		    tag->name[1] == 'h' &&
431 		    g_ascii_isdigit(tag->name[2]))) {
432 		if (!parser->empty_line) {
433 			parser->space = FALSE;
434 			if (!parser->newline) sc_html_append_char(parser, '\n');
435 			sc_html_append_char(parser, '\n');
436 		}
437 		parser->state = SC_HTML_NORMAL;
438 	} else if (!strcmp(tag->name, "/div")   ||
439 		   !strcmp(tag->name, "/ul")    ||
440 		   !strcmp(tag->name, "/li")) {
441 		if (!parser->newline) {
442 			parser->space = FALSE;
443 			sc_html_append_char(parser, '\n');
444 		}
445 		parser->state = SC_HTML_NORMAL;
446 			}
447 
448 	sc_html_free_tag(tag);
449 
450 	return parser->state;
451 }
452 
sc_html_parse_special(SC_HTMLParser * parser)453 static void sc_html_parse_special(SC_HTMLParser *parser)
454 {
455 	gchar *entity;
456 
457 	parser->state = SC_HTML_UNKNOWN;
458 	cm_return_if_fail(*parser->bufp == '&');
459 
460 	entity = entity_decode(parser->bufp);
461 	if (entity != NULL) {
462 		sc_html_append_str(parser, entity, -1);
463 		g_free(entity);
464 		while (*parser->bufp++ != ';');
465 	} else {
466 		/* output literal `&' */
467 		sc_html_append_char(parser, *parser->bufp++);
468 	}
469 	parser->state = SC_HTML_NORMAL;
470 }
471 
sc_html_find_tag(SC_HTMLParser * parser,const gchar * tag)472 static gchar *sc_html_find_tag(SC_HTMLParser *parser, const gchar *tag)
473 {
474 	gchar *cur = parser->bufp;
475 	gint len = strlen(tag);
476 
477 	if (cur == NULL)
478 		return NULL;
479 
480 	while ((cur = strstr(cur, "<")) != NULL) {
481 		if (!g_ascii_strncasecmp(cur, tag, len))
482 			return cur;
483 		cur += 2;
484 	}
485 	return NULL;
486 }
487 
sc_html_get_parenthesis(SC_HTMLParser * parser,gchar * buf,gint len)488 static void sc_html_get_parenthesis(SC_HTMLParser *parser, gchar *buf, gint len)
489 {
490 	gchar *p;
491 
492 	buf[0] = '\0';
493 	cm_return_if_fail(*parser->bufp == '<');
494 
495 	/* ignore comment / CSS / script stuff */
496 	if (!strncmp(parser->bufp, "<!--", 4)) {
497 		parser->bufp += 4;
498 		while ((p = strstr(parser->bufp, "-->")) == NULL)
499 			if (sc_html_read_line(parser) == SC_HTML_EOF) return;
500 		parser->bufp = p + 3;
501 		return;
502 	}
503 	if (!g_ascii_strncasecmp(parser->bufp, "<style", 6)) {
504 		parser->bufp += 6;
505 		while ((p = sc_html_find_tag(parser, "</style>")) == NULL)
506 			if (sc_html_read_line(parser) == SC_HTML_EOF) return;
507 		parser->bufp = p + 8;
508 		return;
509 	}
510 	if (!g_ascii_strncasecmp(parser->bufp, "<script", 7)) {
511 		parser->bufp += 7;
512 		while ((p = sc_html_find_tag(parser, "</script>")) == NULL)
513 			if (sc_html_read_line(parser) == SC_HTML_EOF) return;
514 		parser->bufp = p + 9;
515 		return;
516 	}
517 
518 	parser->bufp++;
519 	while ((p = strchr(parser->bufp, '>')) == NULL)
520 		if (sc_html_read_line(parser) == SC_HTML_EOF) return;
521 
522 	strncpy2(buf, parser->bufp, MIN(p - parser->bufp + 1, len));
523 	g_strstrip(buf);
524 	parser->bufp = p + 1;
525 }
526