From 77c9ec1fddcbe145facfc3d65eee55b11ad61fb9 Mon Sep 17 00:00:00 2001 From: David Bremner Date: Wed, 22 Mar 2017 08:23:00 -0300 Subject: [PATCH] test: add known broken test for indexing html 'quite' on IRC reported that notmuch new was grinding to a halt during initial indexing, and we eventually narrowed the problem down to some html parts with large embedded images. These cause the number of terms added to the Xapian database to explode (the first 400 messages generated 4.6M unique terms), and of course the resulting terms are not much use for searching. The second test is sanity check for any "improved" indexing of HTML. --- test/T680-html-indexing.sh | 19 +++++++++ test/corpora/README | 3 ++ test/corpora/html/attribute-text | 15 +++++++ test/corpora/html/embedded-image | 69 ++++++++++++++++++++++++++++++++ 4 files changed, 106 insertions(+) create mode 100755 test/T680-html-indexing.sh create mode 100644 test/corpora/html/attribute-text create mode 100644 test/corpora/html/embedded-image diff --git a/test/T680-html-indexing.sh b/test/T680-html-indexing.sh new file mode 100755 index 00000000..5e9cc4cb --- /dev/null +++ b/test/T680-html-indexing.sh @@ -0,0 +1,19 @@ +#!/usr/bin/env bash +test_description="indexing of html parts" +. ./test-lib.sh || exit 1 + +add_email_corpus html + +test_begin_subtest 'embedded images should not be indexed' +test_subtest_known_broken +notmuch search kwpza7svrgjzqwi8fhb2msggwtxtwgqcxp4wbqr4wjddstqmeqa7 > OUTPUT +test_expect_equal_file /dev/null OUTPUT + +test_begin_subtest 'non tag text should be indexed' +notmuch search hunter2 | notmuch_search_sanitize > OUTPUT +cat < EXPECTED +thread:XXX 2009-11-17 [1/1] David Bremner; test html attachment (inbox unread) +EOF +test_expect_equal_file EXPECTED OUTPUT + +test_done diff --git a/test/corpora/README b/test/corpora/README index 77c48e6e..c9a35fed 100644 --- a/test/corpora/README +++ b/test/corpora/README @@ -9,3 +9,6 @@ default broken The broken corpus contains messages that are broken and/or RFC non-compliant, ensuring we deal with them in a sane way. + +html + The html corpus contains html parts diff --git a/test/corpora/html/attribute-text b/test/corpora/html/attribute-text new file mode 100644 index 00000000..6dae8194 --- /dev/null +++ b/test/corpora/html/attribute-text @@ -0,0 +1,15 @@ +From: David Bremner +To: David Bremner +Subject: test html attachment +Date: Tue, 17 Nov 2009 21:28:38 +0600 +Message-ID: <87d1dajhgf.fsf@example.net> +MIME-Version: 1.0 +Content-Type: text/html +Content-Disposition: inline; filename=test.html + + + + + + hunter2 + diff --git a/test/corpora/html/embedded-image b/test/corpora/html/embedded-image new file mode 100644 index 00000000..40851530 --- /dev/null +++ b/test/corpora/html/embedded-image @@ -0,0 +1,69 @@ +From: =?utf-8?b?bWFsbW9ib3Jn?= +To: =?utf-8?b?Ym9lbmRlLm1hbG1vYm9yZw==?= +Date: Tue, 19 Jul 2016 11:54:24 +0200 +X-Feed2Imap-Version: 1.2.5 +Message-Id: +Subject: =?utf-8?b?VGFjayBhbGxhIHRyYWZpa2FudGVyIG9jaCBmb3Rnw6RuZ2FyZSE=?= +Content-Type: multipart/alternative; boundary="=-1468922508-176605-12427-9500-21-=" +MIME-Version: 1.0 + + +--=-1468922508-176605-12427-9500-21-= +Content-Type: text/plain; charset=utf-8; format=flowed +Content-Transfer-Encoding: 8bit + + + +Malmö 2016-07-09 + +I skrivande stund är vi i färd med att avetablera vår entreprenad på +Tigern 3, Regementsgatan 6 i Malmö. Fastigheten har genomgått ett större +dräneringsarbete som i sin tur har inneburit vissa +trafikbegränsningar på Regementsgatan samt Davidshallsgatan under några +veckors tid. Fastighetsägaren är mycket nöjd med vår arbetsinsats och vi +kan glatt meddela att båda vägfilerna kommer att öppnas inom kort. Nu +kommer den vackra fastigheten att klara sig torrskodd under många år +framöver [A] + +  + +[A] http://malmoborg.se/wp-includes/images/smilies/icon_smile.gif +-- +Feed: Förvaltnings AB Malmöborg + +Item: Tack alla trafikanter och fotgängare! + +Date: 2016-07-19 11:54:24 +0200 +Author: malmoborg +Filed under: Nyheter + +--=-1468922508-176605-12427-9500-21-= +Content-Type: text/html; charset=utf-8 +Content-Transfer-Encoding: 8bit + +
+ + + +
Feed: +Förvaltnings AB Malmöborg + +
Item:Tack alla trafikanter och fotgängare! + +
+ +

Malmö 2016-07-09

+

I skrivande stund är vi i färd med att avetablera vår entreprenad på Tigern 3, Regementsgatan 6 i Malmö. Fastigheten har genomgått ett större dräneringsarbete som i sin tur har inneburit vissa trafikbegränsningar på Regementsgatan samt Davidshallsgatan under några veckors tid. Fastighetsägaren är mycket nöjd med vår arbetsinsats och vi kan glatt meddela att båda vägfilerna kommer att öppnas inom kort. Nu kommer den vackra fastigheten att klara sig torrskodd under många år framöver :-)

+

 

+
+ + + + +
Date:  2016-07-19 11:54:24 +0200
Author:  malmoborg
Filed under:  Nyheter
+ +--=-1468922508-176605-12427-9500-21-=--