
CVE-2026-91940 : écriture arbitraire de fichiers dans crawl4ai <=0.9.2 via le contrôle de configuration non fiable (PDFContentScrapingStrategy image_save_dir). Analyse, harnais de reproduction et frontière vérifiée entre 0.9.2 et 0.9.3.
| CVE | CVE-2026-91940 |
| Produit | crawl4ai, ~84k étoiles |
| Affecté | >= 0.9.0, <= 0.9.2 |
| Corrigé | 0.9.3 |
| Classe | CWE-22, écriture arbitraire de fichiers (répertoire choisi par l'attaquant, contenu exact octet par octet) |
| Privilèges | un appelant capable d'atteindre POST /crawl. Voir Privilèges |
| Verdict | VULNÉRABILITÉ CONFIRMÉE sur 0.9.2, CORRIGÉE sur 0.9.3, les deux reproduites de bout en bout |
| CVSS 3.1 | 6.5 AV:N/AC:L/PR:L/UI:N/S:U/C:N/I:H/A:N (NVD publie 7.5 avec PR:N, ce qui ne s'applique pas à 0.9.2) |
| Avis | GHSA-xpp7-j28w-2gvx |
L'API HTTP de crawl4ai accepte un objet de configuration dans le corps de la requête. Comme un corps
est contrôlé par l'attaquant, le projet a construit une frontière de confiance pour celui-ci : les configurations chargées avec
Provenance.UNTRUSTED passent par une barrière censée supprimer ou rejeter tout
champ qu'un appelant non fiable ne doit pas définir.
Cette barrière échoue en mode ouvert pour une classe atteignable. PDFContentScrapingStrategy est explicitement
constructible à partir d'un corps non fiable, mais elle n'a pas de liste blanche de champs, et la règle de la barrière pour
« pas de liste blanche » est « tout conserver ». Ainsi, son image_save_dir atteint le processeur PDF
sans modification, et le processeur crée ce répertoire et y écrit les images du PDF récupéré
sans aucune vérification de confinement. Le résultat est une écriture dans n'importe quel répertoire que le compte de service
peut atteindre, avec un contenu fourni par l'appelant.
1. Le point de terminaison marque le corps comme non fiable (deploy/docker/server.py) :
crawler_config = CrawlerRunConfig.load(
crawl_request.crawler_config, provenance=Provenance.UNTRUSTED
)
2. La porte conserve chaque champ d'un type qui n'a pas de liste d'autorisation (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 stratégie PDF est accessible mais ne dispose ni d'une liste d'autorisation ni d'une liste d'interdiction.
UNTRUSTED_ALLOWED_TYPES contient PDFContentScrapingStrategy, donc un corps peut en construire une
via CrawlerRunConfig.scraping_strategy. Mais UNTRUSTED_FIELD_ALLOWLIST ne possède de clés que
pour BrowserConfig et CrawlerRunConfig, et UNTRUSTED_FORBIDDEN_FIELDS de même. Ainsi
allowlist vaut None, forbidden est vide, et extract_images, save_images_locally et
image_save_dir survivent tous.
4. Le sink fait confiance à ce chemin (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)
Le chemin absolu est accepté, les répertoires sont créés récursivement, sans vérification de confinement realpath par rapport à une racine de stockage. _extract_images() écrit ensuite chaque image du PDF à cet endroit.
5. Le PDF est récupéré par la stratégie elle-même. PDFContentScrapingStrategy.scrap() appelle self._get_pdf_path(url), qui télécharge l'URL indépendamment de l'étape navigateur du crawler. Les octets écrits proviennent donc d'un fichier hébergé par l'attaquant.
Cette partie est absente de l'avis, qui mentionne seulement des « octets contrôlés par l'attaquant » sans préciser comment. Seule la branche /FlateDecode de _extract_images() passe par PIL (img.save(final_path)) et est donc ré-encodée en PNG. Les trois autres branches écrivent le flux PDF brut :
/Filter du PDF | extension écrite | mode d'écriture |
|---|---|---|
/DCTDecode | .jpg | open(final_path, 'wb').write(data) |
/CCITTFaxDecode | .tiff | idem, et un en-tête TIFF est préfixé uniquement lorsque data[:4] != b'II*\x00' |
/JPXDecode | .jp2 | idem |
/FlateDecode | .png | ré-encodé par PIL, donc pas identique octet pour octet |
Intégrer la charge utile sous forme d'image XObject /DCTDecode place donc ces octets exacts sur le disque. Cela a été confirmé en comparant les sommes de contrôle : le md5 du fichier écrit sur le serveur est égal au md5 de la charge utile transmise à exploit.py.
NVD attribue à cette vulnérabilité le score PR:N. Sur la version 0.9.2, ce n'est pas le cas, et la différence a été mesurée plutôt que supposée.
L'image embarque auth_gate.py, un AuthGateMiddleware à sûreté intégrée (fail-closed) monté à la couche ASGI la plus externe. Sa propre docstring explique sa raison d'être :
La conception précédente décidait de l'authentification dans une dépendance FastAPI par route qui, lorsque
jwt_enabledétait faux (la valeur par défaut), renvoyaitlambda: None, si bien que chaqueDepends(token_dep)était décoratif et que toute l'API était ouverte.
Il couvre désormais chaque route, montage et sous-application, HTTP et WebSocket, et rejette une requête sans identifiant valide avant l'exécution de tout gestionnaire. En outre, lorsqu'aucun CRAWL4AI_API_TOKEN n'est défini, le point d'entrée se lie uniquement à l'interface de bouclage et journalise un jeton éphémère pour cette session. Une requête sans identifiant reçoit :
HTTP/1.1 401
{"detail": "Authentication required"}
La vulnérabilité est bien réelle, et la raison importe : crawl4ai traite le corps de la requête comme
non fiable même lorsqu'il provient d'un appelant API légitime. C'est là tout l'objet de
Provenance.UNTRUSTED. Ainsi, un appelant autorisé à utiliser l'API, un tenant, un service
en aval, un utilisateur à faibles privilèges d'un déploiement partagé, obtient une élévation de privilèges vers une écriture arbitraire de fichier sur
l'hôte. C'est PR:L, d'où le 6.5 au lieu de 7.5.
pypdf n'est pas dans l'image officielle. L'avis indique qu'il l'est, et qu'aucune
installation supplémentaire n'est donc nécessaire. Dans unclecode/crawl4ai:0.9.2, pip list ne rapporte que
Crawl4AI 0.9.2 et pillow 12.3.0, et find / -iname 'pypdf*' ne renvoie rien. Sans
lui, NaivePDFProcessorStrategy.__init__ lève une ImportError, de sorte que l'écriture nécessite un
déploiement ayant installé l'extra crawl4ai[pdf] ou construit une image personnalisée.