防御XSS攻击的一般原理

cleaner是Jsoup的重要功能之一，我们常用它来进行富文本输入中的XSS防御。

我们知道，XSS攻击的一般方式是，通过在页面输入中嵌入一段恶意脚本，对输出时的DOM结构进行修改，从而达到执行这段脚本的目的。对于纯文本输入，过滤/转义HTML特殊字符<,>,”,’是行之有效的办法，但是如果本身用户输入的就是一段HTML文本(例如博客文章)，这种方式就不太有效了。这个时候，就是Jsoup大显身手的时候了。

在前面，我们已经知道了，Jsoup里怎么将HTML变成一棵DOM树，怎么对DOM树进行遍历，怎么对DOM文档进行输出，那么其实cleaner的实现方式，也能猜出大概了。使用Jsoup进行XSS防御，大致分为三个步骤:

• 将HTML解析为DOM树

这一步可以过滤掉一些企图搞破坏的非闭合标签、非正常语法等。例如一些输入，会尝试用</textarea>闭合当前Tag，然后写入攻击脚本。而根据前面对Jsoup的parser的分析，这种时候，这些非闭合标签会被当做错误并丢弃。

• 过滤高风险标签/属性/属性值

高风险标签是指<script>以及类似标签，对属性/属性值进行过滤是因为某些属性值里也可以写入javascript脚本，例如onclick=’alert(“xss!”)’。

• 重新将DOM树输出为HTML文本

DOM树的输出，在前面(Jsoup代码解读之三)已经提到过了。

Cleaner与Whitelist

对于上述的两个步骤，1、3都已经分别在parser和输出中完成，现在只剩下步骤 2：过滤高风险标签等。

Jsoup给出的答案是白名单。下面是Whitelist的部分代码。

public class Whitelist {   private Set<TagName> tagNames; // tags allowed, lower case. e.g. [p, br, span]   private Map<TagName, Set<AttributeKey>> attributes; // tag -> attribute[]. allowed attributes [href] for a tag.   private Map<TagName, Map<AttributeKey, AttributeValue>> enforcedAttributes; // always set these attribute values   private Map<TagName, Map<AttributeKey, Set<Protocol>>> protocols; // allowed URL protocols for attributes   private boolean preserveRelativeLinks; // option to preserve relative links  }

这里定义了标签名/属性名/属性值的白名单。

而Cleaner是过滤的执行者。不出所料，Cleaner内部定义了CleaningVisitor来进行标签的过滤。CleaningVisitor的过滤过程并不改变原始DOM树的值，而是将符合条件的属性，加入到Element destination里去。

private final class CleaningVisitor implements NodeVisitor {   private int numDiscarded = 0;   private final Element root;   private Element destination; // current element to append nodes to  private CleaningVisitor(Element root, Element destination) {   this.root = root;   this.destination = destination;   }  public void head(Node source, int depth) {   if (source instanceof Element) {   Element sourceEl = (Element) source;  if (whitelist.isSafeTag(sourceEl.tagName())) { // safe, clone and copy safe attrs   ElementMeta meta = createSafeElement(sourceEl);   Element destChild = meta.el;   destination.appendChild(destChild);  numDiscarded += meta.numAttribsDiscarded;   destination = destChild;   } else if (source != root) { // not a safe tag, so don't add. don't count root against discarded.   numDiscarded++;   }   } else if (source instanceof TextNode) {   TextNode sourceText = (TextNode) source;   TextNode destText = new TextNode(sourceText.getWholeText(), source.baseUri());   destination.appendChild(destText);   } else { // else, we don't care about comments, xml proc instructions, etc   numDiscarded++;   }   }  public void tail(Node source, int depth) {   if (source instanceof Element && whitelist.isSafeTag(source.nodeName())) {   destination = destination.parent(); // would have descended, so pop destination stack   }   }  }

结束语

至此，Jsoup的全部模块都已经写完了。Jsoup源码并不多，只有14000多行，但是实现非常精巧，在读代码的过程中，除了相关知识，还验证几个很重要的思想：

• 最好的代码抽象，是对现实概念的映射。

这句话在看《 代码大全 》的时候印象很深刻。在Jsoup里，只要有相关知识，每个类的作用都能第一时间明白其作用。

• 不要过度抽象

在Jsoup里，只用到了两个接口，一个是NodeVisitor，一个是Connection，其他都是用抽象类或者直接用实现类代替。记得有次面试的时候被问到我们开发中每逢一个功能，都要先定义一个接口的做法是否必要？现在的答案是没有必要，过度的抽象反而会降低代码质量。

另外，Jsoup的代码内聚性都很高，每个类的功能基本都定义在类的内部，这是一个典型的充血模型。同时有大量的facade使用，而避免了Factory、Configure等类的出现，个人感觉这点是非常好的。

最后继续贴上Jsoup解读系列的github地址：https://github.com/code4craft/jsoup-learning/

本系列：