aramesh-backend/backend/app/sanitize.py

"""پاک‌سازی ورودی‌های غنی در زمان ذخیره.

بدنه مقاله‌ها سند TipTap (ProseMirror) است و فرانت‌اند همان را با
renderToHTMLString به HTML تبدیل و مستقیم تزریق می‌کند؛ متن گره‌ها در آن
مسیر escape می‌شود، اما آدرس‌های href/src عیناً وارد HTML می‌شوند — پس
اسکیم‌های خطرناک (javascript: و data: و ...) باید در سمت سرور حذف شوند.
"""

from __future__ import annotations

from typing import Any
from urllib.parse import urlparse

# اسکیم‌های مجاز برای href/src — مسیرهای نسبی و لنگر هم بی‌اسکیم‌اند و می‌گذرند
SAFE_URL_SCHEMES = {"http", "https", "mailto", "tel"}
URL_ATTRS = ("href", "src")


def _clean_url(value: Any) -> str | None:
    """آدرس امن را برمی‌گرداند؛ در غیر این صورت None (مشخصه حذف می‌شود)."""
    if not isinstance(value, str):
        return value if value is not None else None
    stripped = value.strip().replace("\n", "").replace("\r", "").replace("\t", "")
    if not stripped:
        return None
    parsed = urlparse(stripped)
    if parsed.scheme and parsed.scheme.lower() not in SAFE_URL_SCHEMES:
        return None
    return stripped


def _walk(node: Any) -> Any:
    if isinstance(node, list):
        return [_walk(item) for item in node]
    if not isinstance(node, dict):
        return node
    cleaned: dict[str, Any] = {}
    for key, value in node.items():
        if key == "attrs" and isinstance(value, dict):
            attrs = dict(value)
            for attr in URL_ATTRS:
                if attr in attrs:
                    cleaned_url = _clean_url(attrs[attr])
                    if cleaned_url is None:
                        attrs.pop(attr, None)
                    else:
                        attrs[attr] = cleaned_url
            cleaned[key] = attrs
        else:
            cleaned[key] = _walk(value)
    return cleaned


def sanitize_doc(doc: Any) -> Any:
    """سند TipTap را درجا پاک می‌کند (سایر ساختارها دست‌نخورده برمی‌گردند)."""
    if not isinstance(doc, dict):
        return doc
    return _walk(doc)