
CVE-2026-91940: escrita arbitrária de ficheiros em crawl4ai <=0.9.2 através da barreira de configuração não confiável (PDFContentScrapingStrategy image_save_dir). Análise, harness de reprodução e fronteira verificada entre 0.9.2 e 0.9.3.
| CVE | CVE-2026-91940 |
| Produto | crawl4ai, ~84 mil estrelas |
| Afetado | >= 0.9.0, <= 0.9.2 |
| Corrigido | 0.9.3 |
| Classe | CWE-22, escrita arbitrária de arquivos (diretório escolhido pelo atacante, conteúdo byte a byte exato) |
| Privilégios | um chamador capaz de acessar POST /crawl. Consulte Privilégios |
| Veredito | VULNERÁVEL CONFIRMADO na 0.9.2, CORRIGIDO na 0.9.3, ambos reproduzidos de ponta a ponta |
| CVSS 3.1 | 6.5 AV:N/AC:L/PR:L/UI:N/S:U/C:N/I:H/A:N (o NVD publica 7.5 com PR:N, o que não se aplica à 0.9.2) |
| Aviso | GHSA-xpp7-j28w-2gvx |
A API HTTP do crawl4ai aceita um objeto de configuração dentro do corpo da requisição. Como o corpo
é controlado pelo atacante, o projeto criou uma fronteira de confiança para ele: configurações carregadas com
Provenance.UNTRUSTED passam por um gate que deveria descartar ou rejeitar qualquer
campo que um chamador não confiável não deve definir.
Esse gate falha aberto para uma classe alcançável. PDFContentScrapingStrategy é explicitamente
construível a partir de um corpo não confiável, mas não possui allowlist de campos, e a regra do gate para
"sem allowlist" é "manter tudo". Assim, seu image_save_dir chega ao processador de PDF
intacto, e o processador cria esse diretório e grava nele as imagens do PDF obtido
sem qualquer verificação de contenção. O resultado é uma escrita em qualquer diretório que a conta de serviço
consiga alcançar, com conteúdo fornecido pelo chamador.
1. O endpoint marca o corpo como não confiável (deploy/docker/server.py):
crawler_config = CrawlerRunConfig.load(
crawl_request.crawler_config, provenance=Provenance.UNTRUSTED
)
2. O gate mantém todos os campos de um tipo que não possui 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. A estratégia de PDF é alcançável, mas não possui nem uma allowlist nem uma lista de proibidos.
UNTRUSTED_ALLOWED_TYPES contém PDFContentScrapingStrategy, portanto um corpo pode construir uma
por meio de CrawlerRunConfig.scraping_strategy. Mas UNTRUSTED_FIELD_ALLOWLIST tem chaves apenas
para BrowserConfig e CrawlerRunConfig, e UNTRUSTED_FORBIDDEN_FIELDS da mesma forma. Assim,
allowlist é None, forbidden está vazio, e extract_images, save_images_locally e
image_save_dir todos sobrevivem.
4. O sink confia nesse caminho (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)
Caminho absoluto aceito, diretórios criados recursivamente, sem verificação de contenção realpath em relação a uma raiz de armazenamento. _extract_images() então grava cada imagem do PDF nesse local.
5. O PDF é obtido pela própria estratégia. PDFContentScrapingStrategy.scrap() chama
self._get_pdf_path(url), que baixa a URL independentemente da etapa de navegador do crawler.
Portanto, os bytes que são gravados vêm de um arquivo hospedado pelo atacante.
Esta parte está ausente do advisory, que apenas diz "bytes controlados pelo atacante" sem
explicar como. Apenas o ramo /FlateDecode de _extract_images() passa pelo PIL
(img.save(final_path)) e, portanto, é recodificado para PNG. Os outros três ramos gravam
o stream bruto do PDF:
/Filter do PDF | extensão gravada | como grava |
|---|---|---|
/DCTDecode | .jpg | open(final_path, 'wb').write(data) |
/CCITTFaxDecode | .tiff | o mesmo, e um cabeçalho TIFF é prefixado apenas quando data[:4] != b'II*\x00' |
/JPXDecode | .jp2 | o mesmo |
/FlateDecode | .png | recodificado pelo PIL, portanto não byte-exato |
Incorporar o payload como um XObject de imagem /DCTDecode coloca, assim, esses bytes exatos
no disco. Isso foi confirmado comparando checksums: o md5 do arquivo gravado no servidor
é igual ao md5 do payload entregue a exploit.py.
O NVD pontua isto como PR:N. Na build 0.9.2 isso não se verifica, e a diferença foi
medida em vez de presumida.
A imagem inclui auth_gate.py, um AuthGateMiddleware fail-closed montado na camada ASGI
mais externa. Sua própria docstring explica por que ele existe:
O design anterior decidia a autenticação em uma dependência FastAPI por rota que, quando
jwt_enabledera falso (o padrão), retornavalambda: None, de modo que todoDepends(token_dep)era decorativo e toda a API estava aberta.
Agora ele cobre cada rota, mount e sub-app, HTTP e WebSocket, e rejeita uma requisição
sem credencial válida antes que qualquer handler seja executado. Além disso, quando nenhum
CRAWL4AI_API_TOKEN está definido, o entrypoint vincula apenas ao loopback e registra um token efêmero
para aquela sessão. Uma requisição sem credencial recebe:
HTTP/1.1 401
{"detail": "Authentication required"}
A vulnerabilidade continua real, e o motivo importa: o crawl4ai trata o corpo da requisição como não confiável mesmo quando ele vem de um chamador legítimo da API. Esse é exatamente o propósito de Provenance.UNTRUSTED. Assim, um chamador autorizado a usar a API, um tenant, um serviço downstream, um usuário com baixos privilégios de uma implantação compartilhada, escala para escrita arbitrária de arquivos no host. Isso é PR:L, que é de onde vem o 6.5 em vez de 7.5.
pypdf não está na imagem oficial. O advisory afirma que está, e que, portanto, nenhuma instalação extra é necessária. Em unclecode/crawl4ai:0.9.2, pip list reporta apenas Crawl4AI 0.9.2 e pillow 12.3.0, e find / -iname 'pypdf*' não retorna nada. Sem ele, NaivePDFProcessorStrategy.__init__ lança ImportError, então a escrita exige uma implantação que tenha instalado o extra crawl4ai[pdf] ou construído uma imagem personalizada.
Essa falha é, por si só, útil, porque prova o bypass do gate sem que a escrita sequer aconteça. O ImportError surge de dentro da chamada de construção: