
CVE-2026-91940:crawl4ai <=0.9.2 中通过不可信配置门控(PDFContentScrapingStrategy 的 image_save_dir)实现任意文件写入。包含分析、复现测试框架以及经验证的 0.9.2 与 0.9.3 版本边界。
| CVE | CVE-2026-91940 |
| 产品 | crawl4ai,约 84k stars |
| 受影响版本 | >= 0.9.0, <= 0.9.2 |
| 修复版本 | 0.9.3 |
| 类别 | CWE-22,任意文件写入(攻击者指定目录,内容逐字节精确) |
| 权限 | 能够访问 POST /crawl 的调用方。参见权限 |
| 结论 | 在 0.9.2 上确认存在漏洞,在 0.9.3 上已修补,两者均已端到端复现 |
| CVSS 3.1 | 6.5 AV:N/AC:L/PR:L/UI:N/S:U/C:N/I:H/A:N(NVD 发布为 7.5 且 PR:N,该评分对 0.9.2 不成立) |
| 安全公告 | GHSA-xpp7-j28w-2gvx |
crawl4ai 的 HTTP API 在请求体中接受一个配置对象。由于请求体由攻击者控制,项目为其构建了信任边界:以 Provenance.UNTRUSTED 加载的配置会经过一个门控,该门控本应丢弃或拒绝不可信调用方不得设置的任何字段。
该门控对一类可达的类采取了失败开放(fail open)策略。PDFContentScrapingStrategy 明确可以从不可信请求体构造,但它没有字段允许列表,而门控对“无允许列表”的规则是“保留一切”。因此其 image_save_dir 未经处理地到达 PDF 处理器,处理器创建该目录并将所获取 PDF 的图像写入其中,且没有任何包含性检查。结果是向服务账户可到达的任意目录写入,内容由调用方提供。
1. 端点将请求体标记为不可信(deploy/docker/server.py):
crawler_config = CrawlerRunConfig.load(
crawl_request.crawler_config, provenance=Provenance.UNTRUSTED
)
2. 对于没有允许列表的类型,该门控会保留其所有字段(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. PDF 策略可达,但既没有允许列表也没有禁止列表。
UNTRUSTED_ALLOWED_TYPES 包含 PDFContentScrapingStrategy,因此请求体可以通过 CrawlerRunConfig.scraping_strategy 构建一个。但 UNTRUSTED_FIELD_ALLOWLIST 只有 BrowserConfig 和 CrawlerRunConfig 的键,UNTRUSTED_FORBIDDEN_FIELDS 同样如此。因此 allowlist 为 None,forbidden 为空,而 extract_images、save_images_locally 和 image_save_dir 全部保留下来。
4. 接收端信任该路径(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)
接受绝对路径,递归创建目录,不针对存储根目录做 realpath 包含检查。随后 _extract_images() 会把 PDF 中的每张图片写入该目录。
5. PDF 由策略自身获取。 PDFContentScrapingStrategy.scrap() 调用 self._get_pdf_path(url),该调用独立于爬虫的浏览器阶段下载 URL。因此,被写入的字节来自攻击者托管的文件。
这一部分在公告中缺失,公告只说了“攻击者控制的字节”,却没有说明方式。_extract_images() 中只有 /FlateDecode 分支经过 PIL(img.save(final_path)),因此会被重新编码为 PNG。其余三个分支写入原始 PDF 流:
PDF /Filter | 写入的扩展名 | 写入方式 |
|---|---|---|
/DCTDecode | .jpg | open(final_path, 'wb').write(data) |
/CCITTFaxDecode | .tiff | 相同,且仅当 data[:4] != b'II*\x00' 时前置一个 TIFF 头 |
/JPXDecode | .jp2 | 相同 |
/FlateDecode | .png | 由 PIL 重新编码,因此不是字节精确的 |
因此,将载荷作为 /DCTDecode 图像 XObject 嵌入,就能把这些精确字节写入磁盘。这一点通过比较校验和得到确认:服务器上写入文件的 md5 等于传给 exploit.py 的载荷的 md5。
NVD 将其评为 PR:N。在 0.9.2 构建上,这一评分并不成立,而且这一差异是经过实测而非假设得出的。
该镜像附带 auth_gate.py,这是一个故障关闭(fail-closed)的 AuthGateMiddleware,挂载在最外层 ASGI 层。其自身的 docstring 解释了它存在的原因:
之前的设计在每路由的 FastAPI 依赖中决定认证,当
jwt_enabled为 false(默认值)时,该依赖返回lambda: None,因此每个Depends(token_dep)都只是装饰性的,整个 API 都是开放的。
现在它覆盖每个路由、挂载和子应用,HTTP 和 WebSocket 均包括在内,并在任何处理器运行之前拒绝没有有效凭据的请求。除此之外,当未设置 CRAWL4AI_API_TOKEN 时,入口点仅绑定回环地址,并为该会话记录一个临时令牌。没有凭据的请求会得到:
HTTP/1.1 401
{"detail": "Authentication required"}
该漏洞依然真实存在,其原因也很重要:crawl4ai 将请求体视为不可信,即使它来自合法的 API 调用方。这正是 Provenance.UNTRUSTED 的全部目的。因此,一个被允许使用该 API 的调用方——一个租户、一个下游服务、共享部署中的一个低权限用户——会升级为在主机上任意写入文件。这就是 PR:L,也是 6.5 分而非 7.5 分的来源。
pypdf 不在官方镜像中。 该公告声称它在,因此无需额外安装。在 unclecode/crawl4ai:0.9.2 中,pip list 只报告了 Crawl4AI 0.9.2 和 pillow 12.3.0,而 find / -iname 'pypdf*' 没有任何返回。没有它,NaivePDFProcessorStrategy.__init__ 会抛出 ImportError,因此该写入需要部署安装了 crawl4ai[pdf] extra 或构建了自定义镜像。
这一失败本身也有用,因为它证明了即使写入并未发生,门控绕过依然成立。ImportError 从构造调用内部浮现:
async_configs.py:470 k: from_serializable_dict(v, provenance) for k, v in params.items()
async_configs.py:472 return cls(**constructor_args)
processors/pdf/__init__.py:63 self.pdf_processor = NaivePDFProcessorStrategy(
processors/pdf/processor.py:64 raise ImportError("pypdf is required for PDF processing...")
不可信的 image_save_dir 到达了策略构造函数。它既没有被丢弃,也没有被拒绝。横亘在它和一次写入之间的唯一障碍,是一个缺失的库。
出口流量受到管控。 0.9.2 的 egress_broker.py 用一条规则取代了旧的阻止列表,即 reject any resolved IP where not ip.is_global,它在一个步骤中解析并固定地址,因此无法利用第二次由攻击者控制的解析。真实攻击者会将精心构造的 PDF 托管在公共 URL 上,而该规则允许这样做。实验环境无法访问互联网,因此它设置了 CRAWL4AI_ALLOW_INTERNAL_URLS=true,这是项目自身文档中记载的运维逃生通道,纯粹是为了让一个回环 HTTP 服务器能够充当那个公共主机。该标志并不是使应用程序易受攻击的原因,在真实部署中也不需要它。
攻击者选择:
/DCTDecode。攻击者不选择文件名。_extract_images() 将其构造为 page_<page>_img_<n>,而 with_suffix() 强制指定扩展名,因此最终落地的是 page_1_img_1.jpg 及其同类文件。这排除了依赖特定文件名的经典写入到 RCE 目标,例如 authorized_keys、导入路径上的 .py 文件或 cron.d 条目,并且现有文件只有在已经带有该确切名称时才会被覆盖。这与公告中所述未演示代码执行的说法一致,此处也未声称存在代码执行。容器以 uid=999(appuser) 运行,而非 root。
剩下的是一个真实的完整性原语:在服务内部的选定路径植入选定的字节,这足以污染该目录所供给的任何内容(静态挂载、缓存、共享卷、制品路径),也足以消耗磁盘空间。
阅读日志时值得了解的一个运维细节:在 0.9.2 上,API 返回 HTTP 500,而文件已经在磁盘上。爬取流水线在图像写入后出错,因此 500 并不能证明尝试失败。
./lab/setup.sh
这会在 :11235 上启动 0.9.2,在 :11236 上启动 0.9.3,并在两者中都安装 pdf 附加组件,这样比较就不会因错误的原因而失败,同时打印出令牌。此环境没有 docker 网桥,因此使用 --network host 和不同的 API 端口。
针对存在漏洞的构建版本:
python3 exploit.py --target http://127.0.0.1:11235 \
--token labtoken-cve91940 \
--write-dir /tmp/write-proof \
--payload "proof-$(date +%s)"
docker exec c4ai-vuln sh -c 'ls -l /tmp/write-proof; cat /tmp/write-proof/page_1_img_1.jpg'
测试框架负责构造 PDF、托管它、发送请求并报告判定结果。该目录在请求之前并不存在;请求之后,它保存了 payload 字节。
针对固定构建,相同的请求:
HTTP 400
{"detail":"Rejected config: field 'save_images_locally' is not permitted on
PDFContentScrapingStrategy from an untrusted request"}
不会写入任何内容。./lab/teardown.sh 会移除两个容器和两个镜像。
关于测试框架的说明:它故意以 Content-Type: text/html 提供 PDF。向 Chromium 提供 application/pdf 会使爬虫的浏览器阶段以 Page.goto: Download is starting 中止,而 PDF 策略会自行下载同一 URL,并解析字节内容,无论声明的类型是什么。
磁盘上出现文件本身并不构成漏洞,因为从 PDF 中提取图像是该产品的合法功能。有四件事将这一发现与那种良性解释区分开来,并且每一项都经过了检查:
写入了两个不相关的目标路径,/tmp/c4ai-write-proof/ 和 /home/appuser/poc-second-location/,因此该路径确实是攻击者选择的,而不是固定的存储根目录。随后,按发布版本重新对两个构建运行了最终的 exploit.py,并正确地对每个构建进行了分类。原始命令输出位于 evidence/EVIDENCE.txt;代码级走查位于 ANALYSIS.md。
升级到 0.9.3。该修复使 _filter_untrusted_fields 采用失败关闭策略,因此没有显式允许列表的类型不会保留任何标量字段,禁止不可信输入使用 image_save_dir 和 save_images_locally,并在 _extract_images 中添加了与先前为下载接收器添加的 realpath 包含检查相匹配的检查。
如果无法升级:
scraping_strategy 的请求体,必要时在代理中执行;CRAWL4AI_API_TOKEN,使 API 不处于开放状态,并使其远离不可信网络;crawl4ai[pdf] 附加组件;CRAWL4AI_ALLOW_INTERNAL_URLS 未设置。在 API 层,对 POST /crawl 请求体发出告警,其中 crawler_config 包含嵌套的 "type": "PDFContentScrapingStrategy" 以及 save_images_locally 或 image_save_dir。在 0.9.3 及更高版本中,这些会产生 400 Rejected config,因此任何出现都要么是攻击,要么是需要修复的客户端。