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.
This commit is contained in:
David Bremner 2017-03-22 08:23:00 -03:00
parent e565118172
commit 77c9ec1fdd
4 changed files with 106 additions and 0 deletions

19
test/T680-html-indexing.sh Executable file
View file

@ -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 <<EOF > EXPECTED
thread:XXX 2009-11-17 [1/1] David Bremner; test html attachment (inbox unread)
EOF
test_expect_equal_file EXPECTED OUTPUT
test_done

View file

@ -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

View file

@ -0,0 +1,15 @@
From: David Bremner <david@example.net>
To: David Bremner <david@example.net>
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
<html>
<body>
<input value="a>swordfish">
</body>
hunter2
</html>

View file

@ -0,0 +1,69 @@
From: =?utf-8?b?bWFsbW9ib3Jn?= <daemon@lublin.se>
To: =?utf-8?b?Ym9lbmRlLm1hbG1vYm9yZw==?= <daemon@lublin.se>
Date: Tue, 19 Jul 2016 11:54:24 +0200
X-Feed2Imap-Version: 1.2.5
Message-Id: <boendemalmoborg-1834@eltanin.uberspace.de>
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
<http://malmoborg.se/2016/07/tack-alla-trafikanter-och-fotgangare/>
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
<http://malmoborg.se>
Item: Tack alla trafikanter och fotgängare!
<http://malmoborg.se/2016/07/tack-alla-trafikanter-och-fotgangare/>
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
<table border="1" width="100%" cellpadding="0" cellspacing="0" borderspacing="0"><tr><td>
<table width="100%" bgcolor="#EDEDED" cellpadding="4" cellspacing="2">
<tr><td align="right"><b>Feed:</b></td>
<td width="100%"><a href="http://malmoborg.se">
<b>Förvaltnings AB Malmöborg</b>
</a>
</td></tr><tr><td align="right"><b>Item:</b></td>
<td width="100%"><a href="http://malmoborg.se/2016/07/tack-alla-trafikanter-och-fotgangare/"><b>Tack alla trafikanter och fotgängare!</b>
</a>
</td></tr></table></td></tr></table>
<p>Malmö 2016-07-09</p>
<p>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 <img src="data:image/gif;base64,R0lGODlhDwAPALMOAP/qAEVFRQAAAP/OAP/JAP+0AP6dAP/+k//9E///////
xzMzM///6//lAAAAAAAAACH5BAEAAA4ALAAAAAAPAA8AAARb0EkZap3YVabO
GRcWcAgCnIMRTEEnCCfwpqt2mHEOagoOnz+CKnADxoKFyiHHBBCSAdOiCVg8
KwPZa7sVrgJZQWI8FhB2msGgwTXTWGqCXP4WBQr4wjDDstQmEQA7
" alt=":-)" class="wp-smiley" /> </p>
<p>&nbsp;</p>
<hr width="100%"/>
<table width="100%" cellpadding="0" cellspacing="0">
<tr><td align="right"><font color="#ababab">Date:</font>&nbsp;&nbsp;</td><td><font color="#ababab">2016-07-19 11:54:24 +0200</font></td></tr>
<tr><td align="right"><font color="#ababab">Author:</font>&nbsp;&nbsp;</td><td><font color="#ababab">malmoborg</font></td></tr>
<tr><td align="right"><font color="#ababab">Filed under:</font>&nbsp;&nbsp;</td><td><font color="#ababab">Nyheter</font></td></tr>
</table>
--=-1468922508-176605-12427-9500-21-=--