消除不受信任的HTML (来防止XSS攻击) · 网络爬虫知识汇总

# 消除不受信任的HTML (来防止XSS攻击) <div><br></div> <h2>问题</h2> <p>在做网站的时候，经常会提供用户评论的功能。有些不怀好意的用户，会搞一些脚本到评论内容中，而这些脚本可能会破坏整个页面的行为，更严重的是获取一些机要信息，此时需要清理该HTML，以避免跨站脚本<a href="http://en.wikipedia.org/wiki/Cross-site_scripting">cross-site scripting</a>攻击（XSS）。</p> <h2>方法</h2> <p>使用jsoup HTML <code><a title="The whitelist based HTML cleaner." href="http://jsoup.org/apidocs/org/jsoup/safety/Cleaner.html">Cleaner</a></code> 方法进行清除，但需要指定一个可配置的 <code><a title="Whitelists define what HTML (elements and attributes) to allow through the cleaner." href="http://jsoup.org/apidocs/org/jsoup/safety/Whitelist.html">Whitelist</a></code>。</p> <pre><code>String unsafe = "<p><a href='http://example.com/' onclick='stealCookies()'>Link</a></p>"; String safe = Jsoup.clean(unsafe, Whitelist.basic()); // now: <p><a href="http://example.com/" rel="nofollow">Link</a></p> </code></pre> <h2>说明</h2> <p>XSS又叫CSS (Cross Site Script) ，跨站脚本攻击。它指的是恶意攻击者往Web页面里插入恶意html代码，当用户浏览该页之时，嵌入其中Web里面的html代码会被执行，从而达到恶意攻击用户的特殊目的。XSS属于被动式的攻击，因为其被动且不好利用，所以许多人常忽略其危害性。所以我们经常只让用户输入纯文本的内容，但这样用户体验就比较差了。</p> <p>一个更好的解决方法就是使用一个富文本编辑器WYSIWYG如<a href="http://ckeditor.com/">CKEditor</a> 和 <a href="http://tinymce.moxiecode.com/">TinyMCE</a>。这些可以输出HTML并能够让用户可视化编辑。虽然他们可以在客户端进行校验，但是这样还不够安全，需要在服务器端进行校验并清除有害的HTML代码，这样才能确保输入到你网站的HTML是安全的。否则，攻击者能够绕过客户端的Javascript验证，并注入不安全的HMTL直接进入您的网站。</p> <p>jsoup的whitelist清理器能够在服务器端对用户输入的HTML进行过滤，只输出一些安全的标签和属性。</p> <p>jsoup提供了一系列的<code><a title="Whitelists define what HTML (elements and attributes) to allow through the cleaner." href="http://jsoup.org/apidocs/org/jsoup/safety/Whitelist.html">Whitelist</a></code>基本配置，能够满足大多数要求；但如有必要，也可以进行修改，不过要小心。</p> <p>这个cleaner非常好用不仅可以避免XSS攻击，还可以限制用户可以输入的标签范围。</p> <h2>参见</h2> <ul> <li>参阅<a href="http://ha.ckers.org/xss.html">XSS cheat sheet</a> ，有一个例子可以了解为什么不能使用正则表达式，而采用安全的whitelist parser-based清理器才是正确的选择。</li> <li>参阅<code><a title="The whitelist based HTML cleaner." href="http://jsoup.org/apidocs/org/jsoup/safety/Cleaner.html">Cleaner</a></code> ，了解如何返回一个 <code><a title="A HTML Document." href="http://jsoup.org/apidocs/org/jsoup/nodes/Document.html">Document</a></code> 对象，而不是字符串</li> <li>参阅<code><a title="Whitelists define what HTML (elements and attributes) to allow through the cleaner." href="http://jsoup.org/apidocs/org/jsoup/safety/Whitelist.html">Whitelist</a></code>，了解如何创建一个自定义的whitelist</li> <li><a href="http://en.wikipedia.org/wiki/Nofollow">nofollow</a> 链接属性了解</li></ul>