HTML与javascript自解码机制

关于这个自解码机制，我们直接以一个例子来进行说明：
样例0：

<input type="button" id="exec_btn" value="exec" οnclick="document.write ('<img src=@ οnerrοr=alert(123) />')" />

我们假设document.write里的值是用户可控的输入，点击后，document.write出现一段img HTML，onerror里的JavaScript会执行。此时陷阱来了，我们现在提供一段HtmlEncode函数如下
样例A：

<script>
function HtmlEncode(str) {
    var s = "";
    if (str.length == 0) return "";
    s = str.replace(/&/g, "&");
    s = s.replace(/</g, "<");
    s = s.replace(/>/g, ">");
    s = s.replace(/\"/g, """);
    return s;
}
</script>
<input type="button" id="exec_btn" value="exec" οnclick="document.write (HtmlEncode('<img src=@ οnerrοr=alert(123) />'))" />

我们知道HtmlEncode('<img src=@ οnerrοr=alert(123) />')后的结果是：

<img src=@ οnerrοr=alert(123) />

这个样例A点击后会执行alert(123)吗？下面这个呢？
样例B：

<input type="button" id="exec_btn" value="exec" οnclick="document.write ('<img src=@ οnerrοr=alert(123) />)" />

在样例A和样例B中，document.write的值似乎是一样的？实际结果是样例A点击不会执行alert(123)，而是在页面上完整地输出<img src=@ οnerrοr=alert(123) />，而样例B点击后会执行alert(123)。

我们要告诉大家的是，点击样例B时，document.write的值实际上不再是：
<img src=@ οnerrοr=alert(123) />

而是：
<img src=@ οnerrοr=alert(123) />

我们可以这样论证：

<input type="button" id="exec_btn" value="exec" οnclick="x='<img src=@ οnerrοr=alert(123) />';alert(x);document.write(x)" />

看弹出的x值就知道了，如图6-1所示。

出现这个结果的原因如下：

onclick里的这段JavaScript出现在HTML标签内，意味着这里的JavaScript可以进行HTML形式的编码，这种编码有以下两种。

• 进制编码：&#xH;（十六进制格式）、&#D;（十进制格式），最后的分号（;）可以不要。
• HTML实体编码：即上面的那个HtmlEncode。

在JavaScript执行之前，HTML形式的编码会自动解码。所以样例0与样例B的意义是一样的，而样例A就不一样了。下面我们继续完善这些例子。

---

上面的用户输入是出现在HTML里的情况，如果用户输入出现在<script>里的JavaScript中，情况会怎样，代码如下：

<input type="button" id="exec_btn" value="exec" />
<script>
function $(id){return document.getElementById(id);};
$('exec_btn').onclick = function(){
 document.write('<img src=@ οnerrοr=alert(123)/>');
 //document.write('<img src=@ οnerrοr=alert(123) />');
};
</script>

 

这样是可以执行alert(123)的，如果用户输入的是下面的内容：
<img src=@ οnerrοr=alert(123) />

结果与样例B一样：这段HTML编码的内容在JavaScript执行之前自动解码吗？答案是不会，原因是用户输入的这段内容上下文环境是 JavaScript，不是HTML（可以认为<script>标签里的内容和HTML环境毫无关系），此时用户输入的这段内容要遵守的是 JavaScript法则，即JavaScript编码，具体有如下几种形式。

• Unicode形式：\uH(十六进制)。
• 普通十六进制：\xH。
• 纯转义：\’、\”、\<、>这样在特殊字符之前加\进行转义。

比如，用户输入被转义成如下形式：

<img src\=@ οnerrοr=alert123123 \/\>

这样的防御毫无意义，在JavaScript执行之前，这样的转义会自动去转义，alert(123)照样执行。同样，下面这样的JavaScript编码也毫无意义：

<img src=@ οnerrοr=alert(123) />
-->
\u003c\u0069\u006d\u0067\u0020\u0073\u0072\u0063\u003d\u0040\u0020\u006f\u006e\u0065\u0072\u0072\u006f\u0072\u003d\u0061\u006c\u0065\u0072\u0074\u0028\u0031\u0032\u0033\u0029\u0020\u002f\u003e
\x3c\x69\x6d\x67\x20\x73\x72\x63\x3d\x40\x20\x6f\x6e\x65\x72\x72\x6f\x72\x3d\x61\x6c\x65\x72\x74\x28\x31\x32\x33\x29\x20\x2f\x3e

在JavaScript执行之前，这样的编码会自动解码。
通过这几个样例，我们可以知道在HTML中与在JavaScript中自动解码的差异。如果防御没区分这样的场景，就会出问题。

---

参考文献：
钟晨鸣. Web前端黑客技术揭秘[M]. 电子工业出版社, 2013.