使用Jsoup消除不受信任的HTML (来防止XSS攻击)

问题--XSS攻击

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cross-site scripting攻击（XSS）。

方法--过滤

可以选用的工具有：

• Jsoup 是一款 Java 的HTML 解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于JQuery的操作方法来取出和操作数据。
• HTML Parser 是一个对HTML进行分析的快速实时的解析器，最新的发行版本是1.6，另外2.0的开发版本已经两年没有进展了。（采用Java实现）
• XSS HTMLFilter这是一个采用Java实现的开源类库。用于分析用户提交的输入，消除潜在的跨站点脚本攻击(XSS)，恶意的HTML，或简单的HTML格式错误。
• HTML Purifier是基于php 5所编写的HTML过滤器，帮助用户保障HTML的合法性，支持自定义过滤规则，还可以把不标准的HTML转换为标准的HTML。它可以使你确认HTML是否包含跨站脚本攻击企图或其它的恶意攻击，有效防范XSS攻击。

Jsuop使用示例代码

使用jsoup HTML <a target="_blank" href="https://www.ancii.com/link/v1/Egek9NWuWfAxAiq3NGQvirxKU3xq3D8ppnEFpKwRryzmVh-0nEqC2a2Yf4KWmj3lGACXS4i6701TiWtV4yR1vg/" rel="nofollow" title="Cleaner">Cleaner</a> 方法进行清除，但需要指定一个可配置的 <a target="_blank" href="https://www.ancii.com/link/v1/Egek9NWuWfAxAiq3NGQvirxKU3xq3D8ppnEFpKwRryx0QsNb63maGxK8gVy3rmi-tLXhoxLRYGPx7_vK8rUN_g/" rel="nofollow" title="Whitelist">Whitelist</a>。http://jsoup.org/apidocs/org/jsoup/safety/Whitelist.html   (Jsoup whitelist文档)

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>

OSChina网站使用的Jsoup, 对输入内容进行过滤的代码：

private final static Whitelist user_content_filter = Whitelist.relaxed();
static {
	user_content_filter.addTags("embed","object","param","span","div");
	user_content_filter.addAttributes(":all", "style", "class", "id", "name");
	user_content_filter.addAttributes("object", "width", "height","classid","codebase");	
	user_content_filter.addAttributes("param", "name", "value");
	user_content_filter.addAttributes("embed", "src","quality","width","height","allowFullScreen","allowScriptAccess","flashvars","name","type","pluginspage");
}

/**
 * 对用户输入内容进行过滤
 * @param html
 * @return
 */
public static String filterUserInputContent(String html) {
	if(StringUtils.isBlank(html)) return "";
	return Jsoup.clean(html, user_content_filter);
	//return filterScriptAndStyle(html);
}

说明

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。

一个更好的解决方法就是使用一个富文本编辑器WYSIWYG如CKEditor 和 TinyMCE。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。

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。

jsoup提供了一系列的<a target="_blank" href="https://www.ancii.com/link/v1/Egek9NWuWfAxAiq3NGQvirxKU3xq3D8ppnEFpKwRryx0QsNb63maGxK8gVy3rmi-tLXhoxLRYGPx7_vK8rUN_g/" rel="nofollow" title="Whitelist">Whitelist</a>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。

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。

参见

• 参阅XSS cheat sheet ，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。
• 参阅<a target="_blank" href="https://www.ancii.com/link/v1/Egek9NWuWfAxAiq3NGQvirxKU3xq3D8ppnEFpKwRryzmVh-0nEqC2a2Yf4KWmj3lGACXS4i6701TiWtV4yR1vg/" rel="nofollow" title="Cleaner">Cleaner</a> ，了解如何返回一个 <a target="_blank" href="https://www.ancii.com/link/v1/Egek9NWuWfAxAiq3NGQvirxKU3xq3D8ppnEFpKwRryyu-ip1r2yK-S_Y0m_6v_qxthGAkHr95tCHL7HUvOiHQQ/" rel="nofollow" title="Document">Document</a> 对象，而不是字符串
• 参阅<a target="_blank" href="https://www.ancii.com/link/v1/Egek9NWuWfAxAiq3NGQvirxKU3xq3D8ppnEFpKwRryx0QsNb63maGxK8gVy3rmi-tLXhoxLRYGPx7_vK8rUN_g/" rel="nofollow" title="Whitelist">Whitelist</a>，了解如何创建一个自定义的whitelist
• nofollow 链接属性了解

转自：http://www.open-open.com/jsoup/whitelist-sanitizer.htm