Italiano

Strumenti per sviluppatori · HTML escaper di entità

Decodifica di entità HTML senza innerHTML: come funziona un decodificatore della tabella di ricerca

· Come funziona

Pubblicato da ToolAcre · revisione editoriale

html sicurezza codifica

Mappatura dei riferimenti HTML codificati su testo innocuo senza creare nodi DOM
Illustrazione vettoriale originale ToolAcre

Il trucco popolare di decodificare le entità assegnandole a innerHTML esegue l'input attraverso il parser HTML, che è esattamente ciò che non desideri. Questo post spiega l'approccio più sicuro basato su tabelle e come gestisce i riferimenti denominati, decimali ed esadecimali.

Il decodificatore che ha eseguito un <img onerror>: un caso concreto in cui "basta decodificarlo" è diventato l'esecuzione di uno script

Utilizzo element.innerHTML decodifica &amp; ma anche parses HTML. Un valore come <img src=x onerror=...> può creare un attributo elemento e event-handler. Quando l'obiettivo è solo di decodificare i riferimenti dei caratteri, tenere incollato HTML-come il testo come dati invece di analizzarlo in un DOM albero.

Cosa fa effettivamente innerHTML con una stringa: analisi, creazione di elementi e attributi del gestore di eventi, non solo sostituzione di entità

innerHTML invoca il parser HTML: i tag diventano nodi, gli attributi acquisiscono il significato del browser e una successiva lettura di textContent elimina il markup dal risultato. Un tag <strong> che intendevi conservare come input letterale può svanire con la formattazione del testo. Un elemento staccato non è una garanzia generale di sicurezza; il codice spesso reinserisce quella sottostruttura o utilizza il risultato HTML altrove. Se devi visualizzare input non attendibili, assegna textContent e disinfetta solo quando scegli deliberatamente di eseguire il rendering di HTML.

L'approccio della tabella di ricerca: un'espressione regolare per &name;, &#NNN; e &#xHHH; e una mappa dai nomi ai caratteri

ToolAcreil decoder utilizza un'espressione regolare limitata per trovare un riferimento della forma &name;, &#123; o &#x7B;. I riferimenti nominati sono esaminati in una tabella esplicita pratica, tra cui amp, lt, gt, preventivi e tipografia comune. Un nome sconosciuto è lasciato come scritto piuttosto che indovinato. Questo approccio non crea elementi e non chiama HTML parser; sostituisce semplicemente sottostringe riconosciute in una stringa. La tabella è volutamente un sottoinsieme, non tutti HTML nomina riferimenti a carattere.

Gestione di riferimenti numerici: analisi di punti di codice decimali ed esadecimali e conversione in stringhe, inclusi caratteri astrali

Per un riferimento numerico, analizza il decimale dopo &# o l'esadecimale dopo &#x, quindi trasforma il punto del codice numerico in un carattere con String.fromCodePoint. Un valore astrale come 0x1F600 produce un emoji, non due caratteri stampabili indipendenti. L'implementazione mappa anche i valori storici dell'intervallo di controllo Windows-1252 come fanno i browser; zero, i punti di codice surrogati e i valori superiori a U+10FFFF diventano un carattere sostitutivo. Questa gestione esplicita degli errori impedisce a un numero non valido di bloccare il decodificatore.

Esempio di lavoro: decodifica di una stringa che si mescola &amp;, &#169; e &#x1F600; — ogni partita risolta dalla tabella o dal numero

Decodifica l'ingresso letterale &amp;, &#169; e &#x1F600;: le prime mappe di riferimento attraverso la tabella denominata a &, decimale 169 diventa ©, e l'esagonale 1F600 diventa 🙂. Includere una cruda <img onerror="alert(1)"> accanto a loro. Il decoder restituisce quella sequenza di tag-looking come caratteri di stringa ordinari; non crea un'immagine o esegue un evento. Quando si mette il risultato in una pagina reale in seguito, utilizzare un lavandino di testo sicuro piuttosto che prendere la stringa decodificata e assegnarlo a internaHTML.

Cosa non farà l'approccio tabellare: riferimenti legacy senza punto e virgola e stranezze di recupero degli errori del parser, a meno che non siano implementati deliberatamente

L'approccio di ricerca non riproduce intenzionalmente le regole di ripristino senza punto e virgola legacy del parser HTML. &copia senza punto e virgola potrebbe rimanere intatta. La tabella con nome fisso omette inoltre molti degli oltre duemila riferimenti con nome HTML5. Tali limitazioni sono onesti compromessi per un piccolo decodificatore prevedibile; accettare solo riferimenti terminati espliciti evita di trattare la prosa arbitraria contenente una e commerciale come markup. Controlla i nomi supportati documentati dello strumento se è essenziale la compatibilità completa del browser.

Ciò che questo non copre: la sanificazione di HTML che intendi rendere, che è un problema diverso

La decodifica dei riferimenti non disinfetta HTML per la visualizzazione. Se il testo decodificato contiene una sequenza <script>, rimane pericoloso se una parte diversa di un'applicazione la inserisce successivamente come markup. Contesti come un attributo HTML, una stringa JavaScript e URL necessitano ciascuno della propria codifica e policy di output. ToolAcre restituisce testo; non può rendere sicuro un futuro insicuro.

Conclusione: tratta l'input come dati: come decodifica l'escape di entità HTML con una tabella di ricerca anziché con il parser HTML, in modo che l'input rimanga testo

Tratta l'input come dati. L'escape di entità HTML decodifica con una tabella e un'aritmetica di punti di codice, non con un trucco innerHTML, quindi i payload che sembrano markup rimangono caratteri inerti all'interno dello strumento. Prova i tre riferimenti, quindi controlla sia il testo decodificato sia il modo in cui prevedi di utilizzarlo in seguito: il limite di sicurezza viene perso se lo rianalizzi come HTML.