
CVE-2026-91940: scrittura arbitraria di file in crawl4ai <=0.9.2 tramite il gate di configurazione non attendibile (PDFContentScrapingStrategy image_save_dir). Analisi, harness di riproduzione e confine verificato tra 0.9.2 e 0.9.3.
| CVE | CVE-2026-91940 |
| Prodotto | crawl4ai, ~84k stelle |
| Affected | >= 0.9.0, <= 0.9.2 |
| Fixed | 0.9.3 |
| Class | CWE-22, scrittura arbitraria di file (directory scelta dall'attaccante, contenuto byte-exact) |
| Privilegi | un chiamante in grado di raggiungere POST /crawl. Vedi Privilegi |
| Verdetto | CONFERMATO VULNERABILE su 0.9.2, CORRETTO su 0.9.3, entrambi riprodotti end to end |
| CVSS 3.1 | 6.5 AV:N/AC:L/PR:L/UI:N/S:U/C:N/I:H/A:N (NVD pubblica 7.5 con PR:N, che non vale per 0.9.2) |
| Advisory | GHSA-xpp7-j28w-2gvx |
L'API HTTP di crawl4ai accetta un oggetto di configurazione all'interno del corpo della richiesta. Poiché un corpo
è controllato dall'attaccante, il progetto ha costruito per esso un confine di fiducia: le configurazioni caricate con
Provenance.UNTRUSTED passano attraverso un gate che dovrebbe scartare o rifiutare qualsiasi
campo che un chiamante non attendibile non deve impostare.
Quel gate fallisce in modalità aperta per una classe raggiungibile. PDFContentScrapingStrategy è esplicitamente
costruibile da un corpo non attendibile, ma non ha alcuna allowlist di campi, e la regola del gate per
"nessuna allowlist" è "mantieni tutto". Così il suo image_save_dir raggiunge il processore PDF
intatto, e il processore crea quella directory e vi scrive le immagini del PDF recuperato
senza alcun controllo di contenimento. Il risultato è una scrittura in qualsiasi directory
raggiungibile dall'account del servizio, con contenuto fornito dal chiamante.
1. L'endpoint contrassegna il corpo come non attendibile (deploy/docker/server.py):
crawler_config = CrawlerRunConfig.load(
crawl_request.crawler_config, provenance=Provenance.UNTRUSTED
)
2. Il gate mantiene ogni campo di un tipo che non ha una allowlist (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 strategia PDF è raggiungibile ma non ha né una allowlist né una lista di campi vietati.
UNTRUSTED_ALLOWED_TYPES contiene PDFContentScrapingStrategy, quindi un body può costruirne una
tramite CrawlerRunConfig.scraping_strategy. Ma UNTRUSTED_FIELD_ALLOWLIST ha chiavi solo
per BrowserConfig e CrawlerRunConfig, e lo stesso vale per UNTRUSTED_FORBIDDEN_FIELDS. Quindi
allowlist è None, forbidden è vuoto, e extract_images, save_images_locally e
image_save_dir sopravvivono tutti.
4. Il sink si fida di quel percorso (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)
Il percorso assoluto è accettato, le directory vengono create ricorsivamente, nessun controllo di contenimento tramite realpath rispetto a una radice di archiviazione. _extract_images() scrive poi ogni immagine del PDF in quella posizione.
5. Il PDF viene recuperato dalla strategia stessa. PDFContentScrapingStrategy.scrap() chiama
self._get_pdf_path(url), che scarica l'URL indipendentemente dalla fase browser del crawler.
Quindi i byte che vengono scritti provengono da un file ospitato dall'attaccante.
Questa parte è assente dall'advisory, che menziona solo "byte controllati dall'attaccante" senza
spiegare come. Solo il ramo /FlateDecode di _extract_images() passa attraverso PIL
(img.save(final_path)) e viene quindi ricodificato in PNG. Gli altri tre rami scrivono
lo stream PDF grezzo:
/Filter del PDF | estensione scritta | come scrive |
|---|---|---|
/DCTDecode | .jpg | open(final_path, 'wb').write(data) |
/CCITTFaxDecode | .tiff | lo stesso, e un'intestazione TIFF viene anteposta solo quando data[:4] != b'II*\x00' |
/JPXDecode | .jp2 | lo stesso |
/FlateDecode | .png | ricodificato da PIL, quindi non identico byte per byte |
Incorporare il payload come XObject immagine /DCTDecode mette quindi quei byte esatti su
disco. Ciò è stato confermato confrontando i checksum: l'md5 del file scritto sul server
è uguale all'md5 del payload passato a exploit.py.
NVD assegna a questo problema PR:N. Nella build 0.9.2 ciò non vale, e la differenza è stata
misurata anziché presunta.
L'immagine include auth_gate.py, un AuthGateMiddleware fail-closed montato sullo strato
ASGI più esterno. La sua docstring spiega perché esiste:
Il design precedente decideva l'autenticazione in una dipendenza FastAPI per-route che, quando
jwt_enabledera false (il valore predefinito), restituivalambda: None, quindi ogniDepends(token_dep)era decorativo e l'intera API era aperta.
Ora copre ogni route, mount e sub-app, HTTP e WebSocket, e rifiuta una richiesta
senza una credenziale valida prima che qualsiasi handler venga eseguito. Inoltre, quando non è
impostato alcun CRAWL4AI_API_TOKEN, l'entrypoint si lega solo al loopback e registra un token effimero
per quella sessione. Una richiesta senza credenziali ottiene:
HTTP/1.1 401
{"detail": "Authentication required"}
La vulnerabilità è ancora reale, e il motivo è importante: crawl4ai tratta il corpo della richiesta come non attendibile anche quando proviene da un chiamante API legittimo. Questo è l'intero scopo di Provenance.UNTRUSTED. Quindi un chiamante autorizzato a usare l'API, un tenant, un servizio downstream, un utente con privilegi limitati di un deployment condiviso, scala fino alla scrittura arbitraria di file sull'host. Questo è PR:L, ed è da lì che deriva il 6.5 invece del 7.5.
pypdf non è presente nell'immagine ufficiale. L'advisory afferma che lo è, e che quindi non è necessaria alcuna installazione aggiuntiva. In unclecode/crawl4ai:0.9.2, pip list riporta solo Crawl4AI 0.9.2 e pillow 12.3.0, e find / -iname 'pypdf*' non restituisce nulla. Senza di esso, NaivePDFProcessorStrategy.__init__ solleva ImportError, quindi la scrittura richiede un deployment che abbia installato l'extra crawl4ai[pdf] o abbia creato un'immagine personalizzata.
Tale fallimento è di per sé utile, perché dimostra il bypass del controllo senza che la scrittura avvenga nemmeno. L'ImportError emerge dall'interno della chiamata di costruzione: