Merge commit 'intrigeri/po' into po
[ikiwiki] / doc / plugins / po.mdwn
1 [[!template id=plugin name=po core=0 author="[[intrigeri]]"]]
2 [[!tag type/format]]
3
4 This plugin adds support for multi-lingual wikis, translated with
5 gettext, using [po4a](http://po4a.alioth.debian.org/).
6
7 It depends on the Perl `Locale::Po4a::Po` library (`apt-get install po4a`).
8
9 [[!toc levels=2]]
10
11 Introduction
12 ============
13
14 A language is chosen as the "master" one, and any other supported
15 language is a "slave" one.
16
17 A page written in the "master" language is a "master" page. It can be
18 of any page type supported by ikiwiki, except `po`. It does not have to be
19 named a special way: migration to this plugin does not imply any page
20 renaming work.
21
22 Example: `bla/page.mdwn` is a "master" Markdown page written in
23 English; if `usedirs` is enabled, it is rendered as
24 `bla/page/index.en.html`, else as `bla/page.en.html`.
25
26 Any translation of a "master" page into a "slave" language is called
27 a "slave" page; it is written in the gettext PO format. `po` is now
28 a page type supported by ikiwiki.
29
30 Example: `bla/page.fr.po` is the PO "message catalog" used to
31 translate `bla/page.mdwn` into French; if `usedirs` is enabled, it is
32 rendered as `bla/page/index.fr.html`, else as `bla/page.fr.html`
33
34
35 Configuration
36 =============
37
38 Supported languages
39 -------------------
40
41 `po_master_language` is used to set the "master" language in
42 `ikiwiki.setup`, such as:
43
44         po_master_language => { 'code' => 'en', 'name' => 'English' }
45
46 `po_slave_languages` is used to set the list of supported "slave"
47 languages, such as:
48
49         po_slave_languages => { 'fr' => 'Français',
50                                 'es' => 'Castellano',
51                                 'de' => 'Deutsch',
52         }
53
54 Decide which pages are translatable
55 -----------------------------------
56
57 The `po_translatable_pages` setting configures what pages are
58 translatable. It is a [[ikiwiki/PageSpec]], so you have lots of
59 control over what kind of pages are translatable.
60
61 The `.po` files are not considered as being translatable, so you don't need to
62 worry about excluding them explicitly from this [[ikiwiki/PageSpec]].
63
64 Internal links
65 --------------
66
67 The `po_link_to` option in `ikiwiki.setup` is used to decide how
68 internal links should be generated, depending on web server features
69 and site-specific preferences.
70
71 ### Default linking behavior
72
73 If `po_link_to` is unset, or set to `default`, ikiwiki's default
74 linking behavior is preserved: `\[[destpage]]` links to the master
75 language's page.
76
77 ### Link to current language
78
79 If `po_link_to` is set to `current`, `\[[destpage]]` links to the
80 `destpage`'s version written in the current page's language, if
81 available, *i.e.*:
82
83 - `foo/destpage/index.LL.html` if `usedirs` is enabled
84 - `foo/destpage.LL.html` if `usedirs` is disabled
85
86 ### Link to negotiated language
87
88 If `po_link_to` is set to `negotiated`, `\[[page]]` links to the
89 negotiated preferred language, *i.e.* `foo/page/`.
90
91 (In)compatibility notes:
92
93 - if `usedirs` is disabled, it does not make sense to set `po_link_to`
94   to `negotiated`; this option combination is neither implemented
95   nor allowed.
96 - if the web server does not support Content Negotiation, setting
97   `po_link_to` to `negotiated` will produce a unusable website.
98
99
100 Server support
101 ==============
102
103 Apache
104 ------
105
106 Using Apache `mod_negotiation` makes it really easy to have Apache
107 serve any page in the client's preferred language, if available.
108 This is the default Debian Apache configuration.
109
110 When `usedirs` is enabled, one has to set `DirectoryIndex index` for
111 the wiki context.
112
113 Setting `DefaultLanguage LL` (replace `LL` with your default MIME
114 language code) for the wiki context can help to ensure
115 `bla/page/index.en.html` is served as `Content-Language: LL`.
116
117 lighttpd
118 --------
119
120 lighttpd unfortunately does not support content negotiation.
121
122 **FIXME**: does `mod_magnet` provide the functionality needed to
123  emulate this?
124
125
126 Usage
127 =====
128
129 Templates
130 ---------
131
132 When `po_link_to` is not set to `negotiated`, one should replace some
133 occurrences of `BASEURL` with `HOMEPAGEURL` to get correct links to
134 the wiki homepage.
135
136 The `ISTRANSLATION` and `ISTRANSLATABLE` variables can be used to
137 display things only on translatable or translation pages.
138
139 ### Display page's versions in other languages
140
141 The `OTHERLANGUAGES` loop provides ways to display other languages'
142 versions of the same page, and the translations' status.
143
144 One typically adds the following code to `templates/page.tmpl`:
145
146         <TMPL_IF NAME="OTHERLANGUAGES">
147         <div id="otherlanguages">
148           <ul>
149           <TMPL_LOOP NAME="OTHERLANGUAGES">
150             <li>
151               <a href="<TMPL_VAR NAME="URL">"><TMPL_VAR NAME="LANGUAGE"></a>
152               <TMPL_UNLESS NAME="MASTER">
153                 (<TMPL_VAR NAME="PERCENT">&nbsp;%)
154               </TMPL_UNLESS>
155             </li>
156           </TMPL_LOOP>
157           </ul>
158         </div>
159         </TMPL_IF>
160
161 The following variables are available inside the loop (for every page in):
162
163 - `URL` - url to the page
164 - `CODE` - two-letters language code
165 - `LANGUAGE` - language name (as defined in `po_slave_languages`)
166 - `MASTER` - is true (1) if, and only if the page is a "master" page
167 - `PERCENT` - for "slave" pages, is set to the translation completeness, in percents
168
169 ### Display the current translation status
170
171 The `PERCENTTRANSLATED` variable is set to the translation
172 completeness, expressed in percent, on "slave" pages.
173
174 One can use it this way:
175
176         <TMPL_IF NAME="ISTRANSLATION">
177         <div id="percenttranslated">
178           <TMPL_VAR NAME="PERCENTTRANSLATED">
179         </div>
180         </TMPL_IF>
181
182 Additional PageSpec tests
183 -------------------------
184
185 This plugin enhances the regular [[ikiwiki/PageSpec]] syntax with some
186 additional tests that are documented [[here|ikiwiki/pagespec/po]].
187
188 Automatic PO file update
189 ------------------------
190
191 Committing changes to a "master" page:
192
193 1. updates the POT file and the PO files for the "slave" languages;
194    the updated PO files are then put under version control;
195 2. triggers a refresh of the corresponding HTML slave pages.
196
197 Also, when the plugin has just been enabled, or when a page has just
198 been declared as being translatable, the needed POT and PO files are
199 created, and the PO files are checked into version control.
200
201 Discussion pages
202 ----------------
203
204 Discussion should happen in the language in which the pages are
205 written for real, *i.e.* the "master" one. If discussion pages are
206 enabled, "slave" pages therefore link to the "master" page's
207 discussion page.
208
209 Translating
210 -----------
211
212 One can edit the PO files using ikiwiki's CGI (a message-by-message
213 interface could also be implemented at some point).
214
215 If [[tips/untrusted_git_push]] is setup, one can edit the PO files in one's
216 preferred `$EDITOR`, without needing to be online.
217
218 TODO
219 ====
220
221 Security checks
222 ---------------
223
224 ### Security history
225
226 The only past security issues I could find in GNU gettext and po4a
227 are:
228
229 - [CVE-2004-0966](http://cve.mitre.org/cgi-bin/cvename.cgi?name=CVE-2004-0966),
230   *i.e.* [Debian bug #278283](http://bugs.debian.org/cgi-bin/bugreport.cgi?bug=278283):
231   the autopoint and gettextize scripts in the GNU gettext package
232   1.14 and later versions, as used in Trustix Secure Linux 1.5
233   through 2.1 and other operating systems, allows local users to
234   overwrite files via a symlink attack on temporary files.
235 - [CVE-2007-4462](http://cve.mitre.org/cgi-bin/cvename.cgi?name=CVE-2007-4462):
236   `lib/Locale/Po4a/Po.pm` in po4a before 0.32 allows local users to
237   overwrite arbitrary files via a symlink attack on the
238   gettextization.failed.po temporary file.
239
240 **FIXME**: check whether this plugin would have been a possible attack
241 vector to exploit these vulnerabilities.
242
243 Depending on my mood, the lack of found security issues can either
244 indicate that there are none, or reveal that no-one ever bothered to
245 find (and publish) them.
246
247 ### PO file features
248
249 Can any sort of directives be put in po files that will cause mischief
250 (ie, include other files, run commands, crash gettext, whatever)?
251
252 > No [documented](http://www.gnu.org/software/gettext/manual/gettext.html#PO-Files)
253 > directive is supposed to do so. [[--intrigeri]]
254
255 ### Running po4a on untrusted content
256
257 Are there any security issues on running po4a on untrusted content?
258
259 To say the least, this issue is not well covered, at least publicly:
260
261 - the documentation does not talk about it;
262 - grep'ing the source code for `security` or `trust` gives no answer.
263
264 On the other hand, a po4a developer answered my questions in
265 a convincing manner, stating that processing untrusted content was not
266 an initial goal, and analysing in detail the possible issues.
267
268 #### Already checked
269
270 - the core (`Po.pm`, `Transtractor.pm`) should be safe
271 - po4a source code was fully checked for other potential symlink
272   attacks, after discovery of one such issue
273 - the only external program run by the core is `diff`, in `Po.pm` (in
274   parts of its code we don't use)
275 - `Locale::gettext`: only used to display translated error messages
276 - Nicolas François "hopes" `DynaLoader` is safe, and has "no reason to
277   think that `Encode` is not safe"
278 - Nicolas François has "no reason to think that `Encode::Guess` is not
279   safe". The po plugin nevertheless avoids using it by defining the
280   input charset (`file_in_charset`) before asking `Transtractor` to
281   read any file. NB: this hack depends on po4a internals to stay
282   the same.
283
284 #### To be checked
285
286 ##### Locale::Po4a modules
287
288 The modules we want to use have to be checked, as not all are safe
289 (e.g. the LaTeX module's behaviour is changed by commands included in
290 the content); they may use regexps generated from the content.
291
292 `Chooser.pm` only loads the plugin we tell it too: currently, this
293 means the `Text` module only.
294
295 `Text` module (I checked the CVS version):
296
297 - it does not run any external program
298 - only `do_paragraph()` builds regexp's that expand untrusted
299   variables; they seem safe to me, but someone more expert than me
300   will need to check. Joey?
301
302 ##### Text::WrapI18N
303
304 `Text::WrapI18N` can cause DoS (see the
305 [Debian bug #470250](http://bugs.debian.org/470250)), but it is
306 optional and we do not need the features it provides.
307
308 It is loaded if available by `Locale::Po4a::Common`; looking at the
309 code, I'm not sure we can prevent this at all, but maybe some symbol
310 table manipulation tricks could work; overriding
311 `Locale::Po4a::Common::wrapi18n` may be easier. I'm no expert at all
312 in this field. Joey? [[--intrigeri]]
313
314 > Update: Nicolas François suggests we add an option to po4a to
315 > disable it. It would do the trick, but only for people running
316 > a brand new po4a (probably too late for Lenny). Anyway, this option
317 > would have to take effect in a `BEGIN` / `eval` that I'm not
318 > familiar with. I can learn and do it, in case no Perl wizard
319 > volunteers to provide the po4a patch. [[--intrigeri]]
320
321 ##### Term::ReadKey
322
323 `Term::ReadKey` is not a hard dependency in our case, *i.e.* po4a
324 works nicely without it. But the po4a Debian package recommends
325 `libterm-readkey-perl`, so it will probably be installed on most
326 systems using the po plugin.
327
328 If `$ENV{COLUMNS}` is not set, `Locale::Po4a::Common` uses
329 `Term::ReadKey::GetTerminalSize()` to get the terminal size. How safe
330 is this?
331
332 Part of `Term::ReadKey` is written in C. Depending on the runtime
333 platform, this function use ioctl, environment, or C library function
334 calls, and may end up running the `resize` command (without
335 arguments).
336
337 IMHO, using Term::ReadKey has too far reaching implications for us to
338 be able to guarantee anything wrt. security. Since it is anyway of no
339 use in our case, I suggest we define `ENV{COLUMNS}` before loading
340 `Locale::Po4a::Common`, just to be on the safe side. Joey?
341 [[--intrigeri]]
342
343 > Update: adding an option to disable `Text::WrapI18N`, as Nicolas
344 > François suggested, would as a bonus disable `Term::ReadKey`
345 > as well. [[--intrigeri]]
346
347 ### msgmerge
348
349 `refreshpofiles()` runs this external program. A po4a developer
350 answered he does "not expect any security issues from it".
351
352 ### Fuzzing input
353
354 I was not able to find any public information about gettext or po4a
355 having been tested with a fuzzing program, such as `zzuf` or `fusil`.
356 Moreover, some gettext parsers seem to be quite
357 [easy to crash](http://fusil.hachoir.org/trac/browser/trunk/fuzzers/fusil-gettext),
358 so it might be useful to bang msgmerge/po4a's heads against such
359 a program in order to easily detect some of the most obvious DoS.
360 [[--intrigeri]]
361
362 > po4a was not fuzzy-tested, but according to one of its developers,
363 > "it would be really appreciated". [[--intrigeri]]
364
365 Test conditions:
366
367 - a 21M file containing 100 concatenated copies of all the files in my
368   `/usr/share/common-licenses/`; I had no existing PO file or
369   translated versions at hand, which renders these tests
370   quite incomplete.
371 - po4a was the Debian 0.34-2 package; the same tests were also run
372   after replacing the `Text` module with the CVS one (the core was not
373   changed in CVS since 0.34-2 was released), without any significant
374   difference in the results.
375 - Perl 5.10.0-16
376
377 #### po4a-gettextize
378
379 `po4a-gettextize` uses more or less the same po4a features as our
380 `refreshpot` function.
381
382 Without specifying an input charset, zzuf'ed `po4a-gettextize` quickly
383 errors out, complaining it was not able to detect the input charset;
384 it leaves no incomplete file on disk.
385
386 So I had to pretend the input was in UTF-8, as does the po plugin.
387
388 Two ways of crashing were revealed by this command-line:
389
390         zzuf -vc -s 0:100 -r 0.1:0.5 \
391           po4a-gettextize -f text -o markdown -M utf-8 -L utf-8 \
392             -m LICENSES >/dev/null
393
394 They are:
395
396         Malformed UTF-8 character (UTF-16 surrogate 0xdcc9) in substitution iterator at /usr/share/perl5/Locale/Po4a/Po.pm line 1443.
397         Malformed UTF-8 character (fatal) at /usr/share/perl5/Locale/Po4a/Po.pm line 1443.
398
399 and
400
401         Malformed UTF-8 character (UTF-16 surrogate 0xdcec) in substitution (s///) at /usr/share/perl5/Locale/Po4a/Po.pm line 1443.
402         Malformed UTF-8 character (fatal) at /usr/share/perl5/Locale/Po4a/Po.pm line 1443.
403
404 Perl seems to exit cleanly, and an incomplete PO file is written on
405 disk. I not sure whether if this is a bug in Perl or in `Po.pm`.
406
407 #### po4a-translate
408
409 `po4a-translate` uses more or less the same po4a features as our
410 `filter` function.
411
412 Without specifying an input charset, same behaviour as
413 `po4a-gettextize`, so let's specify UTF-8 as input charset as of now.
414
415         zzuf -cv \
416           po4a-translate -d -f text -o markdown -M utf-8 -L utf-8 \
417             -k 0 -m LICENSES -p LICENSES.fr.po -l test.fr
418
419 ... prints tons of occurences of the following error, but a complete
420 translated document is written (obviously with some weird chars
421 inside):
422
423         Use of uninitialized value in string ne at /usr/share/perl5/Locale/Po4a/TransTractor.pm line 854.
424         Use of uninitialized value in string ne at /usr/share/perl5/Locale/Po4a/TransTractor.pm line 840.
425         Use of uninitialized value in pattern match (m//) at /usr/share/perl5/Locale/Po4a/Po.pm line 1002.
426
427 While:
428
429         zzuf -cv -s 0:10 -r 0.001:0.3 \
430           po4a-translate -d -f text -o markdown -M utf-8 -L utf-8 \
431             -k 0 -m LICENSES -p LICENSES.fr.po -l test.fr
432
433 ... seems to lose the fight, at the `readpo(LICENSES.fr.po)` step,
434 against some kind of infinite loop, deadlock, or any similar beast.
435 It does not seem to eat memory, though.
436
437 Whatever format module is used does not change anything. This is thus
438 probably a bug in po4a's core or in a lib it depends on.
439
440 The sub `read`, in `TransTractor.pm`, seems to be a good debugging
441 starting point.
442
443 #### msgmerge
444
445 `msgmerge` is run in our `refreshpofiles` function. I did not manage
446 to crash it with `zzuf`.
447
448 gettext/po4a rough corners
449 --------------------------
450
451 - fix infinite loop when synchronizing two ikiwiki (when checkouts
452   live in different directories): say bla.fr.po has been updated in
453   repo2; pulling repo2 from repo1 seems to trigger a PO update, that
454   changes bla.fr.po in repo1; then pushing repo1 to repo2 triggers
455   a PO update, that changes bla.fr.po in repo2; etc.; quickly fixed in
456   `629968fc89bced6727981c0a1138072631751fee`, by disabling references
457   in Pot files. Using `Locale::Po4a::write_if_needed` might be
458   a cleaner solution. (warning: this function runs the external
459   `diff` program, have to check security)
460 - new translations created in the web interface must get proper
461   charset/encoding gettext metadata, else the next automatic PO update
462   removes any non-ascii chars; possible solution: put such metadata
463   into the Pot file, and let it propagate; should be fixed in
464   `773de05a7a1ee68d2bed173367cf5e716884945a`, time will tell.
465
466 Page titles in links
467 --------------------
468
469 To use the page titles set with the [meta](plugins/meta) plugin when
470 rendering links would be very much nicer, than the current
471 "filename.LL" format. This is actually a duplicate for
472 [[bugs/pagetitle_function_does_not_respect_meta_titles]].
473
474 Page formats
475 ------------
476
477 Markdown is well supported, great, but what about others?
478
479 The [po](plugins/po) uses `Locale::Po4a::Text` for every page format;
480 this can be expected to work out of the box with most other wiki-like
481 formats supported by ikiwiki. Some of their ad-hoc syntax might be
482 parsed in a strange way, but the worst problems I can imagine would be
483 wrapping issues; e.g. there is code in po4a dedicated to prevent
484 re-wrapping the underlined Markdown headers.
485
486 While it would be easy to better support formats such as [[html]] or
487 LaTeX, by using for each one the dedicated po4a module, this can be
488 problematic from a security point of view.
489
490 **TODO**: test the more popular formats and write proper documentation
491 about it.
492
493 Translation quality assurance
494 -----------------------------
495
496 Modifying a PO file via the CGI must be forbidden if the new version
497 is not a valid PO file. As a bonus, check that it provides a more
498 complete translation than the existing one.
499
500 A new `cansave` type of hook would be needed to implement this.
501
502 Note: committing to the underlying repository is a way to bypass
503 this check.
504
505 Broken links
506 ------------
507
508 See [[contrib/po]].
509
510 Documentation
511 -------------
512
513 Maybe write separate documentation depending on the people it targets:
514 translators, wiki administrators, hackers. This plugin is maybe
515 complex enough to deserve this.