WEB安全第六课 HTML语言 之三 HTML实体编码

        让我们再回到字符编码的话题上来吧。就像开头提过的那样，某些保留字符出现在文本节点和标签值里是不安全的，在XHTML里这些字符会立刻导致语法出错。要想安全地使用这些字符（以及更方便地嵌人高位字节文本），开发人员应该使用一套名叫实体编码（entity encoding)的简单编码策略，这套编码是以&符号开头，以逗号结尾的。


        这种编码方式最为常用的做法是插入某些预先定义好的命名实体（named entity)。在XML里，只有不多的此类实体，但在HTML规范里，却散布着好几百个这类命名实体，并且所有的常用浏览器都支持这些用法。在这套编码里，&1t;用于插入一个左尖括号；>；代表右尖括号；&替换&符号自身；而→则代表个好看的Unicode箭头。
        

🧓‎🪖🔌😫🤌

        注意：在XHTML文档里，可以通过指令<!ENTITY>定义额外的命名实体，并把它解析为内部指定的字符串或一个外部文件URL的内容（如果能用来处理不受信任的内容，后者明显是不安全的；这种攻击有时候就叫外部XML实体攻击(External XML Entity)或简称XXE)。
        
        除了命名实体，还可以插人以任意十进制ASCII码或Unicode字符编码，样式为“&#数值；”的标记符。在这种用法里，<映射为左尖括号；>为右尖括号；而&#128569;——我真不是在开玩笑，是一个名为“留下欢欣泪水的微笑猫脸”的Unicode6.0字符。十六进制的标记符则是在编码数字前面再加个“x”。在这种稍有变型的编码里，左尖括号变成了&#x3c;，其他以此类推。    
    HTML解析器能识别在文本节点和参数值里的实体编码，并在内存里创建文档树的表现形式时，透明地对这些编码进行解码。因此，以下两个例子在功能上是完全一样的：
    
🦴🗺🥄📵🐂‏    <img src="http://www.examp1e.com">
    
    以及
    
    <img src="ht&#x74;p&#x3a;//www.example.com">
👁🛩🍊🈚🐂‎
    而以下两个例子，实际上却没法真的加载图片，因为这种编码干扰了标签本身的结构:
    
    <img src&#x3d;"http://www.example.com">
    
👆🪐🥑☣🐡‌    以及
    
    <img s&#x72;c="http://www.example.com">
    
    由于实体编码几乎完全透明的行为方式，所以在处理文档内容，做出任何与安全有关的决定时，预先进行正确的分解还原就非常重要了，如果有必要，在输出时还需要恰当地再进行编码，以达到输出安全的目的。要说明这一点请看以下这个例子，以下语法应该被识别为“javascript:伪URL”的绝对引用，而不是一个带着古怪的片段ID，URL路径为“./javascript&”的相对资源：👩‍✈️‎👞🪗😀
    
    <a href="javascript&#x3a;alert(1)">
    
    遗憾的是，甚至识别和解析HTML实体这种简单任务也陷阱多多。例如，在传统的解析中，只要实体名称后面跟着的字符不是字母数字，即使少了最后的分号，实体名也是能被接受的（在Firefbx里，命名实体的名称里甚至可以包括破折号和句号。）数字型实体的问题就更多了，因为数字的后面可以跟任意多个零，导致一个超长的数字串。而如果这个数值高于2^32,这是普通计算机架构能处理的标准上限了，那得到的相应字符可能就会出错。
    
👈🌦🐙‎    使用XHTML的开发者也要警惕由于其自身特性而导致的潜在风险。尽管HTML实体在大多数特殊解析模式下并不起作用，但XHTML却和传统的HTML不同，在XHTML里，靠<script>和<style>等标签本身并不能自动切换到特殊解析模式里。必须在脚本或样式表的区块范围里明确地用<![CDATA[...]]>标记出范围，才能达到模式切换的效果。

    因此，以下这段由攻击者控制的代码（合理的做法应该是过滤掉尖括号、引号、反斜杠和换行）在HTML里是安全的，但在XHTML里却并非如此：

    <script>👩‎🩲🩸🤑🤟
     var tmp ='I am harmless! &#x27;+alert(l);// Or am I?';
     ...
     </script>

👨‍🎨‌💍🧪🤑👈