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（样例0）来进行说明：

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

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

<img src=@ onerror=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" onclick="document.write ('<img src=@ onerror=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=@ onerror=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=@ onerror=alert(123) />

而是：
<img src=@ onerror=alert(123) />

我们可以这样论证：

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

看弹出的x值就知道了，如下图所示。

---

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。

1. 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。
2. 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=@ onerror=alert(123) />");
      //document.write("<img src=@ onerror=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=@ onerror=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。

1. Unicode 形式：\uH (十六进制)。
2. 普通十六进制：\xH。
3. 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\=@ onerror=alert\(123\) \/\>

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=@ onerror=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。

参考《Web 前端黑客技术揭秘》