wiki: перевод HTML Eva — правки ревью 2 Task 6 (#91)

Двойное экранирование текста ссылки на страницу убрано; «@» больше не
экранируется. Ссылку на вложение выдаёт только конвертер (внутренний маркер),
авторское «attachment:@» в тексте, атрибутах, коде и именах нейтрализуется,
схема attachment: у ссылок и картинок автора не выводится.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

src/jira_hub/modules/wiki/convert.py

@@ -3,31 +3,46 @@
 Агент присылает `attachments` и `links` с `ref` — значением атрибута `src`/`href` ровно как в HTML. По `ref` здесь
 находится место замены; адреса Eva агент уже разобрал, хаб их не угадывает.
 
-HTML Eva недоверенный: исполняемые схемы в ссылках не выводятся, текст автора экранируется так, чтобы он не мог
+HTML Eva недоверенный. Ссылка на вложение `](attachment:@N)` — единственная, которую заменяет `fill_ids`, и её
-изобразить ссылку на вложение (`](attachment:@N)`) или сырой тег.
+выдаёт только конвертер: авторский текст, атрибуты, код и имена не могут породить такую подстроку. Для этого
+конвертер ставит внутренний маркер (приватные символы U+E000/U+E001), а в готовом Markdown нейтрализует любое
+`attachment:@` из авторского содержимого и только после этого подставляет настоящие ссылки.
 """
 import re
 
+from bs4 import BeautifulSoup, NavigableString
 from markdownify import MarkdownConverter
 
 _STATIC = ("static/", "/static/")
-_UNSAFE_SCHEME = re.compile(r"^(javascript|data|vbscript):")
+_UNSAFE_SCHEME = re.compile(r"^(javascript|data|vbscript|attachment):")
 _CONTROL = re.compile(r"[\x00-\x20\x7f]")
 _NEWLINES = re.compile(r"\s*[\r\n]+\s*")
-_ESCAPE_LABEL = re.compile(r"([\\\[\]@])")
+_PRIVATE = re.compile("[]")
+_NAME_EDGE = re.compile(r"(?<!\w)[_*]|[_*](?!\w)")  # «_» и «*» на границе слова; внутри слова — как есть
+_BRACKET = re.compile(r"(?<!\\)([\[\]])")
 _ATTACH_LINK = re.compile(r"\]\(attachment:@(\d+)\)")
-
+_MARK_OPEN, _MARK_CLOSE = "", ""
-
+_MARK = re.compile("(\\d+)")
-def _label(text: str) -> str:
-    """Текст внутри [...]: без переводов строк, со скобками и «@» под экранированием."""
-    return _ESCAPE_LABEL.sub(r"\\\1", _NEWLINES.sub(" ", text))
 
 
 def _unsafe(href: str) -> bool:
-    """Исполняемая схема: управляющие символы и пробелы внутри схемы не мешают распознаванию."""
+    """Исполняемая или внутренняя схема: управляющие символы и пробелы внутри схемы не мешают распознаванию."""
     return bool(_UNSAFE_SCHEME.match(_CONTROL.sub("", href).lower()))
 
 
+def _name(text: str) -> str:
+    """Сырой текст агента (имя вложения, код) внутри [...]: переводы строк, Markdown-знаки и скобки экранируются."""
+    text = _NEWLINES.sub(" ", _PRIVATE.sub("", text))
+    text = re.sub(r"([\\\[\]])", r"\\\1", text)
+    text = _NAME_EDGE.sub(lambda m: "\\" + m.group(0), text)
+    return text.replace("<", "&lt;")
+
+
+def _label(text: str) -> str:
+    """Текст ссылки на страницу: уже экранирован markdownify, здесь только скобки и переводы строк."""
+    return _BRACKET.sub(r"\\\1", _NEWLINES.sub(" ", text))
+
+
 class _Converter(MarkdownConverter):
     def __init__(self, attachments, links, **options):
         super().__init__(**options)
@@ -37,9 +52,8 @@ class _Converter(MarkdownConverter):
         self._index = {}  # url -> индекс в files
 
     def escape(self, text, parent_tags):
-        # «@» и «<» в тексте автора: иначе `attachment:@N` и сырой тег получаются из обычного текста
+        # «<» в тексте автора не должен выглядеть как тег; «@» не экранируется
-        text = super().escape(text, parent_tags)
+        return super().escape(text, parent_tags).replace("<", "&lt;")
-        return text.replace("@", r"\@").replace("<", "&lt;")
 
     def _attachment(self, entry):
         url = entry["url"]
@@ -47,11 +61,11 @@ class _Converter(MarkdownConverter):
             return ""  # миниатюра и файл одного вложения: вторая ссылка удаляется
         self._index[url] = len(self.files)
         self.files.append({"url": url, "name": entry["name"]})
-        return "[📎 %s](attachment:@%d)" % (_label(entry["name"]), self._index[url])
+        return "[📎 %s%s%d%s" % (_name(entry["name"]), _MARK_OPEN, self._index[url], _MARK_CLOSE)
 
     def convert_img(self, el, text, parent_tags):
         src = el.get("src") or ""
-        if src.startswith(_STATIC) or _unsafe(src):
+        if src.startswith(_STATIC):
             return ""
         parent = el.parent
         if parent is not None and parent.name == "a" and (parent.get("href") or "") in self._by_ref:
@@ -59,6 +73,8 @@ class _Converter(MarkdownConverter):
         entry = self._by_ref.get(src)
         if entry is not None:
             return self._attachment(entry)
+        if _unsafe(src):
+            return ""
         return super().convert_img(el, text, parent_tags)
 
     def convert_a(self, el, text, parent_tags):
@@ -70,16 +86,31 @@ class _Converter(MarkdownConverter):
             return self._attachment(entry)
         code = self._links.get(href)
         if code is not None:
-            return "[%s](page:%s)" % (_label(text.strip()) or code, code)
+            return "[%s](page:%s)" % (_label(text.strip()) or _name(code), code)
         if _unsafe(href):
-            return text  # исполняемая ссылка: остаётся только текст
+            return text  # исполняемая или внутренняя ссылка автора: остаётся только текст
         return super().convert_a(el, text, parent_tags)
 
 
+def _strip_private(soup) -> None:
+    """Приватные символы U+E000/U+E001 из авторского HTML убираются: иначе они подделали бы маркер."""
+    for s in soup.find_all(string=True):
+        if type(s) is NavigableString and _PRIVATE.search(s):
+            s.replace_with(NavigableString(_PRIVATE.sub("", s)))
+    for el in soup.find_all(True):
+        for key, value in list(el.attrs.items()):
+            if isinstance(value, str) and _PRIVATE.search(value):
+                el[key] = _PRIVATE.sub("", value)
+
+
 def to_markdown(html: str, attachments: list[dict] | None, links: list[dict] | None) -> tuple[str, list[dict]]:
     """HTML страницы → (Markdown, вложения страницы [{url, name}])."""
+    soup = BeautifulSoup(html, "html.parser")
+    _strip_private(soup)
     conv = _Converter(attachments or [], links or [], heading_style="ATX", autolinks=False)
-    md = conv.convert(html).strip() + "\n"
+    md = conv.convert_soup(soup).strip() + "\n"
+    md = md.replace("attachment:@", "attachment:‌@")  # авторское «attachment:@» больше не совпадает с шаблоном
+    md = _MARK.sub(lambda m: "](attachment:@%s)" % m.group(1), md)  # настоящие ссылки вложений
     return md, conv.files
 
 

tests/test_wiki_convert.py

@@ -161,3 +161,93 @@ def test_literal_tag_text_has_no_raw_html():
     md, _ = convert.to_markdown("<p>&lt;tag&gt; и &lt;script&gt;alert(1)&lt;/script&gt;</p>", [], [])
     assert re.search(r"<[a-zA-Z/]", md) is None
     assert "&lt;tag&gt;" in md or "&lt;tag" in md
+
+
+# --- fix round 2 (re-review 1: B1, B2, B3) ---
+
+def _no_forged_marker(md, ids=(7,)):
+    """Авторский текст не порождает ссылку вложения: fill_ids ничего не меняет и шаблона нет."""
+    assert "](attachment:@" not in md
+    assert convert.fill_ids(md, list(ids)) == md
+
+
+def test_page_link_text_escaped_once():
+    md, _ = convert.to_markdown(
+        '<p><a href="project/Document/DOC-1">a_b *x* c</a></p>', [],
+        [{"ref": "project/Document/DOC-1", "code": "DOC-1"}],
+    )
+    assert "[a\\_b \\*x\\* c](page:DOC-1)" in md.splitlines()
+    assert "\\\\" not in md
+
+
+def test_page_link_at_sign_not_double_escaped():
+    md, _ = convert.to_markdown(
+        '<p><a href="project/Document/DOC-1">user@example.com</a></p>', [],
+        [{"ref": "project/Document/DOC-1", "code": "DOC-1"}],
+    )
+    assert "[user@example.com](page:DOC-1)" in md.splitlines()
+
+
+def test_attachment_name_star_and_underscore_at_word_edge_escaped():
+    md, _ = convert.to_markdown(
+        '<p><a href="/files/a">x</a></p>',
+        [{"ref": "/files/a", "url": "https://eva.example.test/files/a", "name": "_x_*.png"}],
+        [],
+    )
+    assert "[📎 \\_x\\_\\*.png](attachment:@0)" in md.splitlines()
+
+
+def test_attachment_name_intraword_underscore_kept():
+    md, _ = convert.to_markdown(
+        '<p><a href="/files/a">x</a></p>',
+        [{"ref": "/files/a", "url": "https://eva.example.test/files/a", "name": "my_file.png"}],
+        [],
+    )
+    assert "[📎 my_file.png](attachment:@0)" in md.splitlines()
+
+
+def test_author_href_attachment_scheme_is_text():
+    md, atts = convert.to_markdown('<p><a href="attachment:@5">x</a></p>', [], [])
+    assert md.strip() == "x" and atts == []
+    _no_forged_marker(md)
+
+
+def test_author_img_src_attachment_scheme_dropped():
+    md, atts = convert.to_markdown('<p>a<img src="attachment:@5" alt="z">b</p>', [], [])
+    assert md.strip() == "ab" and atts == []
+    _no_forged_marker(md)
+
+
+def test_author_alt_cannot_forge_marker():
+    md, _ = convert.to_markdown('<p><img src="/x.png" alt="a](attachment:@0)"></p>', [], [])
+    _no_forged_marker(md)
+
+
+def test_author_title_cannot_forge_marker():
+    md, _ = convert.to_markdown('<p><a href="https://e.org" title="](attachment:@0)">t</a></p>', [], [])
+    _no_forged_marker(md)
+
+
+def test_author_code_cannot_forge_marker():
+    md, _ = convert.to_markdown("<p><code>](attachment:@0)</code></p>", [], [])
+    _no_forged_marker(md)
+
+
+def test_author_text_cannot_forge_marker():
+    md, _ = convert.to_markdown("<p>](attachment:@0) и &#93;(attachment:&#64;0)</p>", [], [])
+    _no_forged_marker(md)
+
+
+def test_author_private_chars_cannot_forge_marker():
+    md, _ = convert.to_markdown("<p>&#57344;0&#57345;</p>", [], [])
+    _no_forged_marker(md)
+
+
+def test_plain_at_sign_kept():
+    md, _ = convert.to_markdown("<p>user@example.com и @ivan</p>", [], [])
+    assert "user@example.com и @ivan" in md
+
+
+def test_code_keeps_literal_text():
+    md, _ = convert.to_markdown("<p><code>&lt;script&gt; a@b</code></p>", [], [])
+    assert "`<script> a@b`" in md