Outils de développement · Échappement d'entité HTML
Décoder des entités HTML sans innerHTML : comment fonctionne un décodeur de table de recherche
· Comment ça marche
Publié par ToolAcre · Revue de rédaction
html sécurité codage

L'astuce populaire consistant à décoder les entités en les attribuant à innerHTML exécute votre entrée via l'analyseur HTML, ce qui est exactement ce que vous ne voulez pas. Cet article explique l'approche basée sur des tableaux plus sûre et comment elle gère les références nommées, décimales et hexadécimales.
Le décodeur qui a exécuté une <img onerror> — un cas concret où « il suffit de le décoder » est devenu une exécution de script
Utilisation element.innerHTML décodages & mais aussi parses HTML. Une valeur telle que <img src=x onerror=...> peut créer un attribut element et event-handler. Lorsque le but est seulement de décoder les références de caractères, garder collé HTML-comme du texte comme des données au lieu de l'analyser dans un DOM arbre.
Ce que innerHTML fait réellement avec une chaîne : analyse, création d'éléments et attributs du gestionnaire d'événements, pas seulement le remplacement d'entités
innerHTML appelle l'analyseur HTML : les balises deviennent des nœuds, les attributs acquièrent une signification dans le navigateur et une lecture ultérieure de textContent supprime le balisage du résultat. Une balise <strong> que vous vouliez conserver comme entrée littérale peut disparaître lors du formatage du texte. Un élément détaché ne constitue pas une garantie générale de sécurité ; le code réinsère souvent ce sous-arbre ou utilise le code HTML résultant ailleurs. Si vous devez afficher une entrée non fiable, attribuez textContent et nettoyez uniquement lorsque vous choisissez délibérément d'afficher du HTML.
L'approche par table de recherche — une expression régulière pour &name;, &#NNN; et &#xHHH;, et une carte des noms aux caractères
ToolAcre, le décodeur utilise une expression régulière limitée pour trouver une référence du formulaire &name;, { ou {. Les références nommées sont examinées dans une table explicite pratique, y compris amp, lt, gt, citations et typographie commune. Un nom inconnu est laissé comme écrit plutôt que deviné. Cette approche ne crée aucun élément et appelle non HTML parser ; il remplace simplement les sous-chaînes reconnues dans une chaîne. Le tableau est délibérément un sous-ensemble, pas tout HTML des références de caractères nommées.
Gestion des références numériques : analyse des points de code décimaux et hexadécimaux et conversion en chaînes, y compris les caractères astraux
Pour une référence numérique, analysez le nombre décimal après &# ou l'hexadécimal après &#x, puis transformez le point de code numérique en caractère avec String.fromCodePoint. Une valeur astrale telle que 0x1F600 donne un emoji, et non deux caractères imprimables indépendants. L'implémentation mappe également les valeurs historiques de la plage de contrôle Windows-1252 comme le font les navigateurs ; zéro, les points de code de substitution et les valeurs supérieures à U+10FFFF deviennent un caractère de remplacement. Cette gestion explicite des erreurs empêche un numéro invalide de faire planter le décodeur.
Exemple travaillé : décodage d'une chaîne qui mélange &, © et 😀 — chaque correspondance est réglée à partir du tableau ou du nombre
Décoder l'entrée littérale &, © et 😀: les premières cartes de référence à travers la table nommée à &, décimale 169 devient ©, et hexa 1F600 devient -. Inclure une brute <img onerror="alert(1)"> à côté d'eux. Le décodeur retourne cette séquence de tags en caractères de chaîne ordinaire ; il ne crée pas d'image ou n'exécute pas d'événement. Lorsque vous mettez le résultat dans une page réelle plus tard, utilisez un évier de texte sûr plutôt que de prendre la chaîne décodée et de l'assigner à l'innerHTML.
Ce que l'approche table ne fera pas : les anciennes références sans point-virgule et les bizarreries de récupération d'erreur de l'analyseur, à moins qu'elles ne soient délibérément mises en œuvre
L'approche de recherche ne reproduit intentionnellement pas les anciennes règles de récupération sans point-virgule de l'analyseur HTML. &copier sans point-virgule peut rester intact. La table nommée fixe omet également bon nombre des plus de deux mille références nommées HTML5. Ces limitations sont des compromis honnêtes pour un petit décodeur prévisible ; accepter uniquement les références explicites terminées évite de traiter la prose arbitraire contenant une esperluette comme un balisage. Vérifiez les noms pris en charge documentés par l’outil si la compatibilité complète du navigateur est essentielle.
Ce que cela ne couvre pas : nettoyer le HTML que vous avez l'intention de restituer, ce qui est un problème différent
Le décodage des références ne nettoie pas le HTML pour l'affichage. Si le texte décodé contient une séquence <script>, il reste dangereux si une autre partie d'une application l'insère ultérieurement comme balisage. Les contextes tels qu'un attribut HTML, une chaîne JavaScript et une URL nécessitent chacun leur propre codage et politique de sortie. ToolAcre renvoie du texte ; il ne peut pas sécuriser un futur évier dangereux.
À retenir : traitez les entrées comme des données – comment l'échappement d'entité HTML décode avec une table de recherche plutôt qu'avec l'analyseur HTML, afin que votre entrée reste du texte
Traitez les entrées comme des données. L'échappement d'entité HTML décode avec une table et une arithmétique de points de code, et non avec une astuce innerHTML, de sorte que les charges utiles ressemblant à du balisage restent des caractères inertes dans l'outil. Essayez les trois références, puis inspectez à la fois le texte décodé et la façon dont vous prévoyez de l'utiliser ensuite : la limite de sécurité est perdue si vous l'analysez au format HTML.