Temario Lección 114 de 156 · Cómo decide un navegador
Cómo decide un navegador

Sitios, orígenes y "mismo sitio"

Por qué importa Cada regla de privacidad dentro de un navegador empieza con una pregunta: "¿qué sitio es este?". Las cookies, las particiones, SameSite, las listas de rastreadores y la detección de rebotes archivan todo bajo un sitio. Si un motor se equivoca con esa respuesta, un rastreador puede colarse entre dos tarros, o los blogs de dos desconocidos pueden acabar compartiendo uno. En esta lección escribes tú la respuesta.

Piensa en un bloque de pisos. La dirección de la calle (example) la comparte todo el mundo, así que no te dice nada de quién vive dónde. El número del piso más la calle (shopa.example) es un hogar. Las habitaciones dentro del piso (cdn.shopa.example, www.shopa.example) pertenecen todas a ese mismo hogar. Un navegador quiere el hogar.

Tres palabras que necesitas

Host: la parte del nombre de una URL, como cdn.shopa.example en https://cdn.shopa.example:8443/lib.js. Está formado por etiquetas separadas por puntos: cdn, shopa, example.

Origen: el esquema, el host y el puerto juntos, como https://cdn.shopa.example:8443. Es la frontera más estricta: https://www.shopa.example y https://shopa.example son orígenes distintos.

Sitio: la parte del host que registró un dueño, también llamada dominio registrable: shopa.example para todos los hosts de arriba. Las funciones de privacidad como la partición y SameSite trabajan con sitios, porque un mismo dueño controla de todos modos cada host que hay por debajo.

La lista de sufijos públicos

"Quédate con las dos últimas etiquetas" funciona para shopa.example, pero falla con practice-shop.co.uk: las dos últimas etiquetas son co.uk, que comparten miles de empresas sin relación entre sí. Así que los navegadores llevan una lista de sufijos públicos, un archivo largo de terminaciones bajo las que cualquiera puede registrar un nombre.

Sufijo público: una terminación que nadie posee entera, como com, co.uk o github.io. El sitio es el sufijo público más una etiqueta más a su izquierda.

La lista también contiene sufijos "privados" añadidos por los servicios de alojamiento. github.io está en ella, así que alice.github.io y bob.github.io son dos sitios distintos, aunque una misma empresa gestione los servidores. Sin esa entrada, el blog de Alice podría poner una cookie que recibiría el blog de Bob. En nuestro mundo de práctica, pages.example cumple el mismo papel.

Las reglas, tal como las aplica el navegador:

  1. Pasa el host a minúsculas, quita el puerto y quita un punto final (shopa.example. es una forma válida de escribir shopa.example).
  2. Busca la terminación más larga del host que esté en la lista. Para a.b.practice-charity.org.uk, tanto uk como org.uk están en la lista; gana org.uk.
  3. El sitio es esa terminación más una etiqueta a su izquierda.
  4. Si el host es un sufijo público (como github.io a secas), el sitio es el propio host.
  5. Si no coincide ninguna terminación de la lista, toma la última etiqueta como sufijo. Así, dev.app.zz tiene el sitio app.zz.

Las listas reales también tienen algunas reglas de comodín y de excepción, y una dirección IP es su propio sitio. Los motores también tratan esos casos; aquí puedes dejarlos fuera.

Mismo sitio con esquema

Los navegadores antiguos solo comparaban el dominio registrable, así que http://shopa.example y https://shopa.example eran "el mismo sitio". Los estándares web actuales definen el mismo sitio con esquema (schemeful): el esquema forma parte del sitio, así que la página en http sin cifrar cuenta como un sitio distinto y no fiable. Eso importa porque cualquiera en el Wi-Fi de tu cafetería puede manipular una página http, y no debería poder tomar prestadas las cookies SameSite del sitio https.

AB¿Mismo origen?¿Mismo sitio?
https://www.shopa.examplehttps://shopa.exampleNoSí
https://alice.github.iohttps://bob.github.ioNoNo
http://shopa.examplehttps://shopa.exampleNoNo (con esquema)
https://shopa.example:8443https://shopa.exampleNoSí (los puertos no cuentan)

El Python que necesitas

Además de variables, if, listas y funciones, necesitas cuatro herramientas pequeñas. Aquí tienes cada una con lo que imprime.

from urllib.parse import urlsplit       # part of Python's standard library

parts = urlsplit("https://CDN.ShopA.example:8443/lib.js")
print(parts.scheme)      # https
print(parts.hostname)    # cdn.shopa.example   (already lower case, port removed)

labels = "cdn.shopa.example".split(".")   # cut a string at every dot
print(labels)            # ['cdn', 'shopa', 'example']
print(labels[1:])        # ['shopa', 'example']   (a slice: from position 1 to the end)
print(".".join(labels[1:]))   # shopa.example     (glue a list back together with dots)

print("shopa.example.".rstrip("."))   # shopa.example   (remove dots from the right end)
print("co.uk" in {"co.uk", "uk"})     # True   (a set answers "is this in it?" quickly)

for i in range(3):       # i takes the values 0, 1, 2
    print(i)

Un truco práctico: si pruebas las terminaciones de la más larga (labels[0:]) a la más corta, la primera que encuentres en la lista es automáticamente la coincidencia más larga.

Pruébalo Antes de escribir código, resuelve tres a mano: www.alice.pages.example, news.practice-paper.co.uk y zz. Deberías obtener alice.pages.example, practice-paper.co.uk y zz.

En otros lenguajes

Los proyectos reales usan una copia mantenida de la lista de sufijos públicos en lugar de una propia:

// JavaScript (the tldts package)
import { getDomain } from "tldts";
getDomain("https://cdn.shopa.co.uk/lib.js");   // "shopa.co.uk"
getDomain("alice.github.io", { allowPrivateDomains: true });   // "alice.github.io" (private suffixes are off by default)
new URL("https://CDN.ShopA.example:8443/").hostname;   // "cdn.shopa.example"

// Go (golang.org/x/net/publicsuffix)
site, err := publicsuffix.EffectiveTLDPlusOne("alice.github.io")   // "alice.github.io", nil

// Rust (the psl crate)
let site = psl::domain_str("www.shopa.co.uk");   // Some("shopa.co.uk")

// C# (built in: host only; use a public-suffix package such as Nager.PublicSuffix for the site)
var host = new Uri("https://CDN.ShopA.example:8443/").Host;   // "cdn.shopa.example"

Una idea equivocada muy común

"Mismo sitio significa mismo origen, dicho de forma más laxa." Son fronteras distintas. El origen es lo que usa JavaScript para mantener separadas las páginas (quién puede leer los datos de quién). El sitio es lo que usan las funciones de privacidad para decidir qué cuenta como una misma parte (qué cookies viajan, qué tarro recibe un contenido incrustado). www.shopa.example y shopa.example son orígenes distintos pero un mismo sitio.

Resumen

  • Un sitio es el sufijo público más una etiqueta; la lista de sufijos públicos dice dónde terminan los sufijos.
  • Gana el sufijo más largo de la lista, y los sufijos privados como github.io hacen que el subsitio de cada usuario sea su propio sitio.
  • El mismo sitio con esquema cuenta el esquema, así que las versiones http y https de un dominio son sitios distintos.
  • Los orígenes mantienen separadas las páginas; los sitios deciden qué parte es cuál.
Tu turno

Escribe cuatro funciones y luego úsalas con las 30 URL de práctica.

  1. host_from_url(url): el host de url, en minúsculas, sin puerto y sin punto final.
  2. site_for(url, suffixes): el sitio de url, usando el conjunto suffixes como lista de sufijos públicos y las cinco reglas de la lección (el sufijo más largo de la lista más una etiqueta; un host que es en sí un sufijo es su propio sitio; si nada coincide, la última etiqueta es el sufijo).
  3. schemeful_site(url, suffixes): el esquema, luego :// y luego el sitio, por ejemplo "https://shopa.example".
  4. is_same_site(a, b, suffixes): True cuando las dos URL tienen el mismo sitio con esquema.
Por último, asigna a SITES una lista con el sitio de cada URL de PRACTICE_URLS, en orden, usando PRACTICE_SUFFIXES. Escribe tú la lógica: no uses site_of ni same_site de watched.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.