#结论
编辑器系列第二篇(停手三秒就自动存了)讲的是内容怎么不丢,这篇讲另一半:左边敲 Markdown 右边秒出预览,以及这个渲染器凭什么敢直接处理我随手敲进去的 <script>。
答案压成一句话:安全性不靠过滤黑名单,靠一个顺序——先把行内码抠成占位符,再把整行转义成 HTML 实体,然后在"一个裸尖括号都不剩"的文本上拼装标签,最后把行内码塞回去时再转义一次。顺序反了、或者干脆放行原始 HTML,就是绝大多数 Markdown 注入事故的根源。
public/md.js 三百六十九行,零依赖,其中一半是内置语法高亮。它同时被 Worker 和浏览器 import——预览和发布不是两份实现,是同一份文件。所以这篇里贴的每一个输出,都是 node scripts/probe-md.mjs 现场跑出来的,不是"应该会"。
#为什么不用 marked 或 markdown-it
两个理由,第二个是真理由。
- 要同构。预览在浏览器里跑,发布在 Worker 里跑,两边必须逐字节一致。第三方渲染器为了兼顾 CommonMark 边角,往往要拼装 DOM 或拖半套 parser 配置,同构起来要写一层适配。我这 369 行里没有任何一行碰
document、window、Buffer,import到哪里都能跑。 - 通用渲染器的默认行为和我想要的正好相反。CommonMark 语义里,Markdown 里嵌原始 HTML 是合法特性——
<img src=x onerror=alert(1)>写进正文,按规范就该渲染成可执行标签。文档站里这是 feature,但把它用在"处理任意输入"的编辑器预览里,就必须再配一层 sanitize 或 DOMPurify:正确的用法 = 渲染器 + 消毒器,两个依赖。
自研版的失败面是反的:我的渲染器根本不认识"原始 HTML"这个概念,所有字符先过 esc(),<img> 只会变成字面文本 <img>。最坏情况是"该有的效果没出来"(功能缺陷),而不是"不该执行的东西执行了"(安全缺陷)。用功能缺陷换执行面清零,这笔交易在单作者博客上是赚的。
#四步管线,顺序就是全部
inline() 是行内渲染的全部,去掉注释剩十几行:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21function inline(line) {
const codes = [];
// ① 行内码先抠出来,换成占位符,防止里面的内容被后面的规则二次改写
let s = String(line).replace(/`([^`\n]+)`/g, (_, c) => {
codes.push(c);
return `\u0000IC${codes.length - 1}\u0000`;
});
// ② 整行转义:此刻 < > & " ' 全部变成实体
s = esc(s);
// ③ 在"只剩实体"的文本上拼标签
s = s.replace(IMG_RE, (_, alt, src, title) => `<img src="${safeUrl(src,'img')}" alt="${alt}"...>`);
s = s.replace(LINK_RE, (_, text, href, title) => `<a href="${safeUrl(href,'link')}"...>${text}</a>`);
s = s.replace(/\*\*([^*\n]+)\*\*/g, '<strong>$1</strong>');
// …斜体、删除线同一个套路
// ④ 还原行内码,注意这里又 esc 了一次
s = s.replace(/\u0000IC(\d+)\u0000/g, (_, i) => `<code>${esc(codes[+i])}</code>`);
return s;
}四个设计点,每一个都是被具体的坑逼出来的:
一、行内码必须最先抠走。 否则行内码里的 <b> 会先被转义成 <b>,再被还原进 <code> 时已经不是原文了——读者看到的不是他敲的东西。占位符用 \u0000(NUL)包着,因为正文里打出 NUL 的概率严格为零,而用 %%% 这种可打印哨兵就会撞车(下面有反例)。
二、转义在拼装之前,没有例外。 跑到第 ③ 步时,文本里不存在裸的 < 和 ",后续所有尖括号都来自我自己写的模板字符串,输入内容物理上不可能再构成新标签或属性。这是整篇文章唯一需要记住的一句话。
三、正因为文本已经转义了,语法解析必须适配实体。 链接的 title 语法在源码里长这样:
const URL_PART = String.raw`(?:[^()\s]|\([^()\s]*\))+`;
const LINK_RE = new RegExp(String.raw`\[([^\]]+)\]\((${URL_PART})(?:\s+"([^&]*)")?\)`, 'g');注意 " ——标准 Markdown 里这里写的是 "。因为正则跑在已经转义过的字符串上,引号早就是实体了。高亮器里同理,匹配 HTML 注释的规则写的是 <!--[\s\S]*?-->。
四、还原行内码时二次转义。 抠出来的是原文,塞回去要再过一次 esc()。看起来多余(第 ② 步不是整行转义过了吗),其实那一行转义时这段内容根本不在字符串里——它在 codes 数组里躲着。忘了这一步,行内码就是唯一的注入通道。
#真实输出
node scripts/probe-md.mjs 会逐条打印输入和原样输出,27 条探针,下面挑 12 条(v22.22.2,改动前后都跑过):
| 输入 | 输出(原样,长行截断) | 结论 |
|---|---|---|
<img src=x onerror=alert(1)> | <p><img src=x onerror=alert(1)></p> | 转义 ✅ |
# <img src=x onerror=alert(4)>标题 | <h1 id="img-src-x-onerror-alert-4-标题"><img …>标题</h1> | 转义,锚点保留中文 ✅ |
<script>alert(5)</script>(行内码) | <code><script>alert(5)</script></code> | 转义 ✅ |
围栏代码块(语言标 html)里放 <script> | <code class="language-html"><script><span class="tok-f">alert</span>(…) | 转义 + 高亮 ✅ |
[z](javascript:alert(1)) | <a href="#" …>z</a> | 中和 ✅ |
[v](JaVaScRiPt:alert(3)) | <a href="#" …>v</a> | 大小写不救场 ✅ |
[k]( javascript:alert(1)) | <p>[k]( javascript:alert(1))</p> | 压根没成链接 ✅ |
[d](data:text/html;base64,…) | <a href="#" …>d</a> | 中和 ✅ |
[s](data:image/svg+xml;base64,…) | <a href="#" …>s</a> | 中和 ✅(改之前是原样 href,见下节) |
 | <img src="http://a.b/c.png" alt="" onmouseover="alert(1)" loading="lazy"> | 关进属性值 ✅ |
[t](https://a.b/c"onclick="alert(1)) | <a href="https://a.b/c"onclick="alert(1)" …>t</a> | 引号已死 ✅ |
表格单元格写 <img src=x onerror=7> | <td><img src=x onerror=7></td> | 转义 ✅ |
[k]( javascript:alert(1)) 那一行值得多说:它之所以安全,不是因为识别出了伪装,而是因为 URL_PART 里 [^()\s] 根本不允许 URL 以空白开头——它压根没被当成链接,退化成纯文本。这类"没被识破,只是没被匹配"的路径是 fail-closed 的:失败的方向在安全侧。
#那条"看着吓人"的输出
alt 那条探针的输出里赫然有 onmouseover= 字样,拿扫描器跑一下大概率会报红。但完整输出是:
<img src="http://a.b/c.png" alt="" onmouseover="alert(1)" loading="lazy" decoding="async">alt 的定界引号是模板里的裸引号,而攻击者想用来闭合它的那个 ",在第 ② 步已经被转成 "。解析器读到的 alt 值就是字面文本 " onmouseover="alert(1),后面没有能提前闭合属性的裸引号,loading、decoding 老老实实待在模板安排的位置。
判断标准不是"输出里有没有危险字样",而是"危险字样有没有拿到属性解析器认可的、裸的引号配对"。 用 grep 找 onerror 会得到一堆假阳性,用浏览器打开看会不会弹窗才是真的——这也是我把探针写成可执行脚本而不是一张手抄表的原因。
#写这篇时发现的两个问题
对代码写文章有个副作用:你会看见平时滑过去的东西。
一、data: 对链接也放行了。 原来的白名单只有一份,图片和链接共用:
const SAFE_URL = /^(https?:\/\/|\/|mailto:|data:image\/|\.{0,2}\/)/i; // 图片、链接共用data:image/ 是给图片留的(<img> 里的 SVG 不执行脚本),但同一个正则也守着 href,于是 [s](data:image/svg+xml;base64,...) 拿到的是一个能点的 data: 链接。现代浏览器禁止顶层导航到 data:,实际影响是 self-XSS 级别,但"一个白名单伺候两种上下文"本身就是错的。拆成两份:
const SAFE_LINK = /^(https?:\/\/|\/|mailto:|\.{0,2}\/)/i; // 链接:不给 data:
const SAFE_IMG = /^(https?:\/\/|\/|data:image\/|\.{0,2}\/)/i; // 图片:给
function safeUrl(u, kind = 'link') {
const s = String(u || '').trim();
return (kind === 'img' ? SAFE_IMG : SAFE_LINK).test(s) ? s : '#';
}二、裸链接把句号吃进了 href。 看 https://example.com/a. 结束 原来渲染成 href="https://example.com/a.",点进去 404。修法是把尾部标点剥出来放到标签外面:
s = s.replace(/(^|[\s((])(https?:\/\/[^\s<))]+)/g, (_, p, u) => {
const trail = (u.match(/[.,;:!?]+$/) || [''])[0];
const href = trail ? u.slice(0, -trail.length) : u;
return `${p}<a href="${href}" target="_blank" rel="noopener nofollow">${href}</a>${trail}`;
});两条都补了断言,现在回归是 13 条。
#三个还在的缺陷,明说
不写"应该可以",也不写"没有缺点"。
- 同名标题的锚点会撞。
# 标题A出现两次,两次都输出id="标题a",目录跳转只会到第一个。修法是加一个已用 id 的 Set 去重(标题a-2),我没做——站内还没有需要页内跳转的长文,等真有了再补。 - 表格的
:--左对齐不认。:-:居中、-:右对齐都认,:-左对齐落到"无 style"。因为左对齐本来就是<td>的默认值,实际渲染没有区别,属于语法支持不全但不影响效果。 - NUL 占位符可伪造。 围栏代码块在块解析阶段被换成
\u0000CB0\u0000单独占一行,如果你能在正文里真的写入一个 NUL 字符,那一行会命中占位正则,把blocks[0]再插一遍。实测(探针最后一条)确实会出现两个相同代码块。危害上限是"重复显示自己的代码块"——blocks数组里只有渲染器自己生成的东西,注入不了任意 HTML。浏览器 textarea 也基本拿不到裸 NUL,所以留着。
还有一个行为得说清楚:未闭合的围栏不吞正文。开头三个反引号加 js 之后没有闭合标记,这一行不会被当成代码块——它连反引号一起落进段落(中间用 <br> 断行),后面的正文照常渲染。难看,但不丢内容、不注入。宁可丑也不静默吞掉后半篇。
#一个真历史 bug:#tag 链进了 alt
这段是当初踩的,也是现在第一条断言。正文里的 #标签 会被转成 <a href="/tag/...">,最早的实现是拿正则直接对整个 HTML 扫一遍:
html.replace(/(^|\s)#(\S+)/g, …) // ✗ 会把 <a> 插进 alt="..." 里面于是  渲染出的 alt 里嵌了一个 <a>,DOM 畸形,alt 属性被撕开。修法是不在整个 HTML 上扫,而是按标签切开,只在元素之间的文本里替换:
const TAG_SPLIT = /<[^>]*>/g;
function linkTags(html) {
// 逐段处理标签之间的文本,遇到 <pre> / <code> / <a> 进来的就跳过
let skip = 0;
for (const m of html.matchAll(TAG_SPLIT)) { /* … */ }
}skip 计数器同时解决了第二个问题:代码块里的 #xxx 不该变成标签链接。这个 bug 教会我的事比任何文档都直接——HTML 是树,不是字符串。凡是"对整个 HTML 跑正则"的写法,最后都会在某条属性里翻车。
#怎么测
两个脚本,各管一件事:
// scripts/test-md.mjs —— 13 条断言,进 npm test,CI 里跑
t('原始 HTML 不执行:标签一律转义成文本', () => {
const out = renderBody('正文 <img src=x onerror=alert(1)> 结束');
assert.ok(!out.includes('<img src=x'), out);
assert.ok(out.includes('<img src=x onerror=alert(1)>'), out);
});# scripts/probe-md.mjs —— 27 条探针,只打印不判定,改渲染器前后各跑一次对比
node scripts/probe-md.mjs职责分开是有意的:断言固定"已经想清楚的行为",探针暴露"我还没想清楚的输出"。每发现一条新的绕过手法,先把它加成断言,再修代码——顺序反了就会出现"修完忘了测",下次重构又漏回去。
当前状态:13/13 passed(md)+ 6/6(邮箱混淆)+ 9/9(评论限额),npm test 全绿才发布。
#下一篇
图片链路那篇 正好接上这个话头:拖拽上传到 R2 的整条路——上传拿直链还是走 Worker 代理、浏览器端转 WebP 为什么设了"省不到 8% 就不换格式"的门槛,以及这篇的同类问题换了个入口:image/svg+xml 放行之后,直开那个 URL 会在本站 origin 上跑脚本。转义在这条路上一点用都没有,得靠响应头沙箱。
评论