使用Python消除用户输入

如您所见,它使用(真棒)BeautifulSoup库.

import re
from urlparse import urljoin
from BeautifulSoup import BeautifulSoup, Comment

def sanitizeHtml(value, base_url=None):
    rjs = r'[\s]*(&#x.{1,7})?'.join(list('javascript:'))
    rvb = r'[\s]*(&#x.{1,7})?'.join(list('vbscript:'))
    re_scripts = re.compile('(%s)|(%s)' % (rjs, rvb), re.IGNORECASE)
    validTags = 'p i strong b u a h1 h2 h3 pre br img'.split()
    validAttrs = 'href src width height'.split()
    urlAttrs = 'href src'.split() # Attributes which should have a URL
    soup = BeautifulSoup(value)
    for comment in soup.findAll(text=lambda text: isinstance(text, Comment)):
        # Get rid of comments
        comment.extract()
    for tag in soup.findAll(True):
        if tag.name not in validTags:
            tag.hidden = True
        attrs = tag.attrs
        tag.attrs = []
        for attr, val in attrs:
            if attr in validAttrs:
                val = re_scripts.sub('', val) # Remove scripts (vbs & js)
                if attr in urlAttrs:
                    val = urljoin(base_url, val) # Calculate the absolute url
                tag.attrs.append((attr, val))

    return soup.renderContents().decode('utf8')

正如其他海报所说的那样,几乎所有的Python数据库都会处理SQL注入,因此这应该会覆盖你.

编辑:漂白是html5lib的包装,这使得它更容易用作基于白名单的杀菌剂.

html5lib附带一个基于白名单的HTML杀菌软件 - 很容易将其子类化以限制用户可以在您的网站上使用的标签和属性,如果您允许使用该style属性,它甚至会尝试清理CSS .

现在我在Stack Overflow克隆的sanitize_html实用功能中使用它:

http://code.google.com/p/soclone/source/browse/trunk/soclone/utils/html.py

我抛出ha.ckers.org的XSS Cheatsheet中列出的所有攻击(在使用python-markdown2执行Markdown到HTML转换之后可以轻松地以XML格式提供它,它似乎已经保持正常.

Stackoverflow目前使用的WMD编辑器组件是一个问题,但实际上我必须禁用JavaScript以测试XSS Cheatsheet攻击,因为将它们全部粘贴到WMD中最终会给我提醒警告框并消隐页面.

防止XSS的最佳方法不是尝试过滤所有内容,而是简单地进行HTML实体编码.例如,自动将<转入<.这是一个理想的解决方案,假设您不需要接受任何html输入(在论坛/评论区域之外,它用作标记,应该很少需要接受HTML); 通过备用编码有如此多的排列,除了超限制白名单(例如az,AZ,0-9)之外的任何东西都会让一些东西通过.

如果您只是构建一个查询字符串,SQL注入与其他观点相反仍然是可能的.例如,如果您只是将传入参数连接到查询字符串,那么您将拥有SQL注入.防止这种情况的最佳方法也不是过滤,而是虔诚地使用参数化查询并且永远不会连接用户输入.

这并不是说过滤仍然不是最佳实践,但就SQL注入和XSS而言,如果您虔诚地使用参数化查询和HTML实体编码,您将受到更多保护.

Jeff Atwood自己描述了StackOverflow.com如何在Stack Overflow博客上清理用户输入(以非语言特定术语):http://blog.stackoverflow.com/2008/06/safe-html-and-xss/

但是,正如Justin指出的那样,如果您使用Django模板或类似的东西,那么他们可能无论如何都要清理您的HTML输出.

SQL注入也不应该是一个问题.所有Python的数据库库(MySQLdb,cx_Oracle等)总是清理你传递的参数.所有Python的对象关系映射器(例如Django模型)都使用这些库,因此您无需担心那里的卫生设施.