
CVE-2026-91940: escritura arbitraria de archivos en crawl4ai <=0.9.2 a través de la puerta de configuración no confiable (PDFContentScrapingStrategy image_save_dir). Análisis, arnés de reproducción y límite verificado entre 0.9.2 y 0.9.3.
| CVE | CVE-2026-91940 |
| Producto | crawl4ai, ~84k estrellas |
| Afectado | >= 0.9.0, <= 0.9.2 |
| Corregido | 0.9.3 |
| Clase | CWE-22, escritura arbitraria de archivos (directorio elegido por el atacante, contenido byte a byte exacto) |
| Privilegios | un llamador capaz de alcanzar POST /crawl. Véase Privilegios |
| Veredicto | CONFIRMADO VULNERABLE en 0.9.2, CORREGIDO en 0.9.3, ambos reproducidos de extremo a extremo |
| CVSS 3.1 | 6.5 AV:N/AC:L/PR:L/UI:N/S:U/C:N/I:H/A:N (NVD publica 7.5 con PR:N, lo cual no se cumple para 0.9.2) |
| Aviso | GHSA-xpp7-j28w-2gvx |
La API HTTP de crawl4ai acepta un objeto de configuración dentro del cuerpo de la solicitud. Dado que un cuerpo
está controlado por el atacante, el proyecto construyó un límite de confianza para él: las configuraciones cargadas con
Provenance.UNTRUSTED pasan por una puerta que se supone debe descartar o rechazar cualquier
campo que un llamador no confiable no debe establecer.
Esa puerta falla abierta para una clase alcanzable. PDFContentScrapingStrategy es explícitamente
construible desde un cuerpo no confiable, pero no tiene lista de campos permitidos, y la regla de la puerta para
"sin lista de permitidos" es "conservar todo". Así, su image_save_dir llega al procesador de PDF
sin modificaciones, y el procesador crea ese directorio y escribe las imágenes del PDF obtenido
en él sin ninguna comprobación de contención. El resultado es una escritura en cualquier directorio que la cuenta
del servicio pueda alcanzar, con contenido que el llamador proporciona.
1. El endpoint marca el cuerpo como no confiable (deploy/docker/server.py):
crawler_config = CrawlerRunConfig.load(
crawl_request.crawler_config, provenance=Provenance.UNTRUSTED
)
2. La puerta de validación conserva todos los campos de un tipo que no tiene lista de permitidos (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. La estrategia PDF es accesible pero no tiene ni una lista de permitidos ni una lista de prohibidos.
UNTRUSTED_ALLOWED_TYPES contiene PDFContentScrapingStrategy, por lo que un cuerpo puede construir una
a través de CrawlerRunConfig.scraping_strategy. Pero UNTRUSTED_FIELD_ALLOWLIST tiene claves solo
para BrowserConfig y CrawlerRunConfig, y UNTRUSTED_FORBIDDEN_FIELDS igualmente. Así que
allowlist es None, forbidden está vacío, y extract_images, save_images_locally y
image_save_dir sobreviven todos.
4. El sink confía en esa ruta (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)
Se acepta una ruta absoluta, los directorios se crean de forma recursiva, sin comprobación de contención mediante realpath contra una raíz de almacenamiento. A continuación, _extract_images() escribe allí cada imagen del PDF.
5. El PDF lo descarga la propia estrategia. PDFContentScrapingStrategy.scrap() llama a self._get_pdf_path(url), que descarga la URL de forma independiente de la etapa del navegador del crawler. Por tanto, los bytes que se escriben provienen de un archivo alojado por el atacante.
Esta parte está ausente del aviso, que solo menciona "bytes controlados por el atacante" sin explicar cómo. Solo la rama /FlateDecode de _extract_images() pasa por PIL (img.save(final_path)) y, por tanto, se recodifica a PNG. Las otras tres ramas escriben el flujo PDF en bruto:
/Filter del PDF | extensión escrita | cómo escribe |
|---|---|---|
/DCTDecode | .jpg | open(final_path, 'wb').write(data) |
/CCITTFaxDecode | .tiff | igual, y se antepone una cabecera TIFF solo cuando data[:4] != b'II*\x00' |
/JPXDecode | .jp2 | igual |
/FlateDecode | .png | recodificado por PIL, por lo que no es idéntico byte a byte |
Por tanto, incrustar el payload como un XObject de imagen /DCTDecode coloca esos bytes exactos en el disco. Esto se confirmó comparando sumas de verificación: el md5 del archivo escrito en el servidor es igual al md5 del payload entregado a exploit.py.
NVD puntúa esto como PR:N. En la compilación 0.9.2 eso no se cumple, y la diferencia se midió en lugar de suponerse.
La imagen incluye auth_gate.py, un AuthGateMiddleware de tipo fail-closed montado en la capa ASGI más externa. Su propio docstring explica por qué existe:
El diseño anterior decidía la autenticación en una dependencia de FastAPI por ruta que, cuando
jwt_enabledera falso (el valor predeterminado), devolvíalambda: None, por lo que cadaDepends(token_dep)era decorativo y toda la API estaba abierta.
Ahora cubre cada ruta, montaje y sub-aplicación, HTTP y WebSocket, y rechaza una solicitud sin una credencial válida antes de que se ejecute cualquier controlador. Además, cuando no se establece CRAWL4AI_API_TOKEN, el punto de entrada se enlaza solo a loopback y registra un token efímero para esa sesión. Una solicitud sin credencial obtiene:
HTTP/1.1 401
{"detail": "Authentication required"}
La vulnerabilidad sigue siendo real, y la razón importa: crawl4ai trata el cuerpo de la solicitud como no confiable incluso cuando proviene de un llamador legítimo de la API. Ese es precisamente el propósito de Provenance.UNTRUSTED. Por lo tanto, un llamador autorizado a usar la API, un inquilino, un servicio descendente, un usuario con bajos privilegios de un despliegue compartido, escala a escritura arbitraria de archivos en el host. Eso es PR:L, que es de donde proviene el 6.5 en lugar de 7.5.
pypdf no está en la imagen oficial. El aviso afirma que sí lo está, y que por lo tanto no se necesita ninguna instalación adicional. En unclecode/crawl4ai:0.9.2, pip list reporta solo Crawl4AI 0.9.2 y pillow 12.3.0, y find / -iname 'pypdf*' no devuelve nada. Sin él, NaivePDFProcessorStrategy.__init__ lanza ImportError, por lo que la escritura requiere un despliegue que haya instalado el extra crawl4ai[pdf] o haya construido una imagen personalizada.