
CVE-2026-91940: beliebiges Schreiben von Dateien in crawl4ai <=0.9.2 über das Gate für nicht vertrauenswürdige Konfigurationen (PDFContentScrapingStrategy image_save_dir). Analyse, Reproduktions-Harness und verifizierte Abgrenzung zwischen 0.9.2 und 0.9.3.
| CVE | CVE-2026-91940 |
| Produkt | crawl4ai, ~84k Stars |
| Betroffen | >= 0.9.0, <= 0.9.2 |
| Behoben | 0.9.3 |
| Klasse | CWE-22, beliebiges Dateischreiben (vom Angreifer gewähltes Verzeichnis, bytegenauer Inhalt) |
| Berechtigungen | ein Aufrufer, der POST /crawl erreichen kann. Siehe Berechtigungen |
| Urteil | ALS VERWUNDBAR BESTÄTIGT auf 0.9.2, GEPATCHT auf 0.9.3, beide durchgängig reproduziert |
| CVSS 3.1 | 6.5 AV:N/AC:L/PR:L/UI:N/S:U/C:N/I:H/A:N (NVD veröffentlicht 7.5 mit PR:N, was für 0.9.2 nicht zutrifft) |
| Advisory | GHSA-xpp7-j28w-2gvx |
Die HTTP-API von crawl4ai akzeptiert ein Konfigurationsobjekt innerhalb des Request-Bodys. Da ein Body
vom Angreifer kontrolliert wird, hat das Projekt dafür eine Vertrauensgrenze errichtet: Konfigurationen, die mit
Provenance.UNTRUSTED geladen werden, durchlaufen ein Gate, das jedes Feld verwerfen oder ablehnen soll,
das ein nicht vertrauenswürdiger Aufrufer nicht setzen darf.
Dieses Gate versagt offen für eine erreichbare Klasse. PDFContentScrapingStrategy ist ausdrücklich
aus einem nicht vertrauenswürdigen Body konstruierbar, besitzt aber keine Feld-Allowlist, und die Regel des
Gates für „keine Allowlist“ lautet „alles behalten“. So erreicht ihr image_save_dir den PDF-Prozessor
unverändert, und der Prozessor erstellt dieses Verzeichnis und schreibt die Bilder des abgerufenen PDFs
hinein, ohne Containment-Prüfung. Das Ergebnis ist ein Schreiben in jedes Verzeichnis, das das
Dienstkonto erreichen kann, mit vom Aufrufer geliefertem Inhalt.
1. Der Endpunkt markiert den Body als nicht vertrauenswürdig (deploy/docker/server.py):
crawler_config = CrawlerRunConfig.load(
crawl_request.crawler_config, provenance=Provenance.UNTRUSTED
)
2. Das Gate behält jedes Feld eines Typs, für den keine Allowlist existiert (crawl4ai/async_configs.py):
def _filter_untrusted_fields(type_name: str, params: dict) -> dict:
"""Drop non-allowlisted fields and raise on forbidden (power) fields."""
forbidden = UNTRUSTED_FORBIDDEN_FIELDS.get(type_name, set())
allowlist = UNTRUSTED_FIELD_ALLOWLIST.get(type_name) # None => keep all non-forbidden
out = {}
for key, value in params.items():
if key in forbidden:
raise UntrustedConfigError(...)
if allowlist is not None and key not in allowlist:
continue # silently drop unknown/unsafe fields (forward-compatible)
out[key] = value
return out
3. Die PDF-Strategie ist erreichbar, hat aber weder eine Allowlist noch eine Verbotsliste.
UNTRUSTED_ALLOWED_TYPES enthält PDFContentScrapingStrategy, sodass ein Body eine solche
über CrawlerRunConfig.scraping_strategy erstellen kann. Aber UNTRUSTED_FIELD_ALLOWLIST hat Schlüssel nur
für BrowserConfig und CrawlerRunConfig, und UNTRUSTED_FORBIDDEN_FIELDS ebenso. Also
ist allowlist None, forbidden ist leer, und extract_images, save_images_locally und
image_save_dir überleben alle.
4. Die Senke vertraut diesem Pfad (crawl4ai/processors/pdf/processor.py):
if self.extract_images and self.save_images_locally:
if self.image_save_dir:
image_dir = Path(self.image_save_dir)
image_dir.mkdir(exist_ok=True, parents=True)
Ein absoluter Pfad wird akzeptiert, Verzeichnisse werden rekursiv erstellt, es gibt keine realpath-Eingrenzungsprüfung gegen ein Speicher-Stammverzeichnis. _extract_images() schreibt dann jedes Bild der PDF dorthin.
5. Die PDF wird von der Strategie selbst abgerufen. PDFContentScrapingStrategy.scrap() ruft self._get_pdf_path(url) auf, wodurch die URL unabhängig von der Browser-Stufe des Crawlers heruntergeladen wird. Die geschriebenen Bytes stammen also aus einer Datei, die der Angreifer hostet.
Dieser Teil fehlt in der Advisory, die lediglich von „angreiferkontrollierten Bytes" spricht, ohne zu sagen, wie. Nur der /FlateDecode-Zweig von _extract_images() läuft durch PIL (img.save(final_path)) und wird daher zu PNG neu kodiert. Die anderen drei Zweige schreiben den rohen PDF-Stream:
PDF /Filter | geschriebene Erweiterung | Art des Schreibens |
|---|---|---|
/DCTDecode | .jpg | open(final_path, 'wb').write(data) |
/CCITTFaxDecode | .tiff | dasselbe, und ein TIFF-Header wird nur vorangestellt, wenn data[:4] != b'II*\x00' |
/JPXDecode | .jp2 | dasselbe |
/FlateDecode | .png | von PIL neu kodiert, also nicht byte-genau |
Das Einbetten der Payload als /DCTDecode-Bild-XObject bringt diese exakten Bytes folglich auf die Festplatte. Dies wurde durch den Vergleich von Prüfsummen bestätigt: Die md5 der auf dem Server geschriebenen Datei entspricht der md5 der an exploit.py übergebenen Payload.
NVD bewertet dies mit PR:N. Beim Build 0.9.2 trifft das nicht zu, und der Unterschied wurde gemessen statt angenommen.
Das Image enthält auth_gate.py, eine fail-closed AuthGateMiddleware, die an der äußersten ASGI-Schicht eingehängt ist. Ihr eigener Docstring erklärt, warum sie existiert:
Das vorherige Design entschied die Authentifizierung in einer routenspezifischen FastAPI-Dependency, die, wenn
jwt_enabledfalse war (der Standard),lambda: Nonezurückgab, sodass jedesDepends(token_dep)dekorativ war und die gesamte API offenstand.
Sie deckt nun jede Route, jeden Mount und jede Sub-App ab, HTTP und WebSocket, und weist eine Anfrage ohne gültige Anmeldedaten ab, bevor irgendein Handler ausgeführt wird. Darüber hinaus bindet der Entrypoint, wenn kein CRAWL4AI_API_TOKEN gesetzt ist, nur an Loopback und protokolliert ein ephemeres Token für diese Sitzung. Eine Anfrage ohne Anmeldedaten erhält:
HTTP/1.1 401
{"detail": "Authentication required"}
Die Schwachstelle ist nach wie vor real, und der Grund ist wichtig: crawl4ai behandelt den Request-Body als nicht vertrauenswürdig, selbst wenn er von einem legitimen API-Aufrufer stammt. Genau das ist der Zweck von Provenance.UNTRUSTED. Ein Aufrufer also, der die API nutzen darf – ein Tenant, ein nachgelagerter Dienst, ein Benutzer mit geringen Rechten einer gemeinsam genutzten Deployment-Umgebung –, eskaliert zu beliebigem Dateischreiben auf dem Host. Das ist PR:L, und daher stammt die 6.5 statt der 7.5.
pypdf ist nicht im offiziellen Image enthalten. Das Advisory behauptet, es sei enthalten und daher sei keine zusätzliche Installation nötig. In unclecode/crawl4ai:0.9.2 meldet pip list nur Crawl4AI 0.9.2 und pillow 12.3.0, und find / -iname 'pypdf*' liefert nichts. Ohne dieses Paket wirft NaivePDFProcessorStrategy.__init__ einen ImportError, sodass das Schreiben eine Deployment-Umgebung voraussetzt, die das Extra crawl4ai[pdf] installiert oder ein eigenes Image gebaut hat.