前端開發中的字符編碼詳解
前端開發過程中會接觸各種各樣的編碼，比較常見的主要是UTF－8和HTML實體編碼，但是web前端的世界卻不止這兩種編碼，而且編碼的選擇也會 造成一定的問題，如前后端開發過程中不同編碼的兼容、多字節編碼可能會造成的XSS漏洞等。因此，本文旨在更好的全面了解涉及前端開發領域的字符編碼，避 免可能出現的交互和開發中的忽視的漏洞。
URL編碼
我曾經在URL編碼解碼和base64一文中講述了URL編碼中的三組函數，并對比了這三組函數與base64編碼的關系，在此簡要說明一下。
escape/unescape函數針對寬字符做unicode編碼，并針對碼值做十六進制編碼，所以使用escape針對漢字編碼會得到形 如”\uxxxx”的結果；encodeURI/decodeURI,encodeURIComponent/decodeURIComponent函數 針對寬字節編碼卻不同于escape，首先針對寬字節字符進行UTF－8編碼，然后針對編碼后的結果進行“％”替換，得到結果。以上所述都是針對寬字節字 符而言，對于編碼靠前的ASCII字符而言，上述三組函數的安全字符的范圍也有所不同，具體可在上文中了解。
base64編碼
base64編碼在前端通常用于圖片和icon的編碼，它將每3個8位字節為一組，分成4組6位字節，并且每個字節的高位補零，形成4個8位的字 節，由此可看出base64編碼是可逆推的。在大多數瀏覽器中，提供了ASCII字符的base64編碼函數，即window.btoa()。該函數無法 針對寬字節進行base64編碼，若針對中文編碼，則需現轉換位UTF－8編碼，然后進行base64編碼。
- function unicodeToBase64(s){ return window.btoa(unescape(encodeURIComponent(s))) }
通過encodeURIComponent對寬字節字符編碼，是“％xx”形式的編碼，與UTF8編碼的區別僅在于前綴（這是由規范RFC3986決定的，將非ASC字符進行某種形式編碼，并轉換為16進制，并在字節前加上“％”）。因此通過unescape(encodeURIComponent(s))可以轉化為UTF8字節。當然，也可自己寫一個轉換函數，按照一定規則便行為UTF－8編碼的字節，如下例：
- ```
- unescape(encodeURIComponent("中國")) //結果："ä¸å›½"
- encodeURIComponent("中國") //結果："%E4%B8%AD%E5%9B%BD"
- console.log("\u00E4\u00B8\u00AD\u00E5\u009B\u00BD") // 結果： "ä¸å›½"
- ```
通過簡單的replace函數，就可以完成URL編碼到UTF8編碼的轉換，進而完成寬字節字符到base64編碼的轉換。有了這個函數，我們手動生成一些data URI形式的內容，只需制定MIME類型和編碼方式，就可以實現文本的轉換，如以下代碼：
```
- <a href="data:text/html;charset=utf-8;base64,PHNjcmlwdD5hbGVydCgxMik8L3NjcmlwdD4=" >abc</a>
- // 未編碼前：<a href="javascript: alert(1)">test</a>
- ```
前端UTF8編碼與后端GBK編碼的兼容
目前前端大都采用UTF8進行編碼，不管是html、js抑或是css，而后端則由于歷史原因大都采用GBK或GB2312進行解碼，因此前端通過 parameter傳遞的URL編碼的字符串就不可能直接在后臺進行解碼，為了更好的兼容性，前端可進行兩次URL編碼，即 encodeURIComponent（encodeURIComponent（“中國”）），這樣后端接收到參數后，先使用GBK或GB2312解碼， 得到了UTF8編碼后再使用UTF8解碼即可。兩次編碼主要是利用“ASC字符使用GBK或GB2312編碼不變”的特點完成，富有技巧。
HTML實體編碼與進制編碼
實體編碼針對HTML的預留字符而言，如“<>”等。實體編碼有兩種形式&實體名;或&entity_number;，由于瀏覽器對&實體名;的兼容性有差別，因此***采用實體號的形式編碼。
進制編碼，顧名思義將ASC字符對應的碼值按照十六進制或十進制編碼，并轉化為&#x;(16進制)或&#D;(10進制)形式。
單單針對實體編碼而言并沒有什么特殊強調的點，之所以把它單獨列為一個章節，意在強調這兩種編碼與js代碼的作用域的關系。
- <div onclick="document.write('<img src=1 onerror=alert(23)>')">cccc</div>
- <div onclick="document.write('<img src=1 onerror=alert(23)>')">cccc</div>
- <img src=1 onerror=alert(23)>
- <img src=1 onerror=alert(23)>
- <script>
- document.write('<img src=1 onerror=alert(23)>');
- document.write('<img src=1 onerror=alert(3)>');
- document.write('<img src=1 onerror=alert(23)>')
- document.write('\u003c\u0069\u006d\u0067\u0020\u0073\u0072\u0063\u003d
- \u0031\u0020\u006f\u006e\u0065\u0072\u0072\u006f\u0072\u003d\u0061
- \u006c\u0065\u0072\u0074\u0028\u0032\u0033\u0029\u003e')
- </script>
代碼中列舉了8個例子，***個在事件處理函數onclick中輸出HTML片段；第二個則輸出經實體編碼后的HTML片段；第三個則是直接針對<img src=1 onerror=alert(23)>做16進制編碼；第四個則是針對onerror事件處理函數做16進制編碼；第五個則是在腳本中輸出實體編碼的字符；第六個針對事件處理函數做16進制編碼；第七個則針對所有的字符做16進制編碼；第八個則是在script中直接輸出<img src=1 onerror=alert(23)>的unicode編碼。
對比結果，前兩個例子在點擊后都會彈出alert；第三個例子則在頁面中顯示文本<img src=1 onerror=alert(23)>； 第四個例子則會在頁面加載初期彈出alert；第五、七會輸出字符串；第六、八則會在第四個例子中的alert之后也彈出alert。現在分析這些結果， 通過***二個例子可知道，HTML標簽中（除script標簽）的內聯js代碼可以進行HTML實體編碼，這是非常重要的一點，我們可以更為明確的進行驗 證：
- <div onclick="alert('<img src=1 onerror=alert(23)>')">cccc</div>
輸出的結果自然是<img src=1 onerror=alert(23)>，這的確論證了我們上文提到的這一點；第三個例子說明了HTML解析器在進行詞法分析前，首先進行解碼，十六進制和十進制皆可，因此，結果自然輸出形如<img src=1 onerror=alert(23)>的 字符串；第四個例子則緊接著論證了內聯在HTML的并采用十六進制編碼的js代碼同樣會被正確解析并執行，這說明了進制編碼同樣可被HTML解析器解析； 第五、七個例子說明在js中同樣可以使用實體編碼和進制編碼，解析的結果會渲染在頁面上；第六個例子則論證了上一觀點，只針對事件處理函數做進制編碼，執 行后頁面彈出alert；第八個例子則是在js中執行unicode編碼的字符串，正常alert。
由此可見，js代碼內聯在HTML的非script標簽內，則會遵守HTML編碼規范：進制編碼和實體編碼；而在js代碼（script標簽內以及js文件內）中，則遵從js編碼：1,unicode形式編碼(\uxxxx)2,普通的16進制編碼(\xH)，這可通過第八個例子得到證明。之所以在本節提到這么多編碼特點，主要提醒大家在預防XSS時需要注意的幾點：
-
檢測用戶輸入時，不僅僅需要防范類似“<>”這樣的字符，通過unicode編碼或進制編碼仍有可能注入代碼
-
需要針對特定的關鍵字做過濾，如“eval、write、prototype”
-
盡可能禁止內聯事件處理函數的使用
-
js過濾“src/href/action”屬性，如“javascript:”,”data:”
JS編碼
其實在上節中已提到了js編碼，即js可執行unicode編碼和十六（八）進制編碼后的字符串，但是不支持十進制編碼的字串。具體操作可通過常用 的幾個函數來實現，如“eval，write，setTimeout，Function”執行編碼后的字符串；同樣，對于十進制編碼的字串，通過結合 String.fromCharCode和eval同樣可以執行。
在此附上筆者實現的字符轉換，更為靈活的實現各種自定義形式的字串編碼：
- var Code = {};
- /**
- *
- * @param str 待編碼字串
- * @param jinzhi 進制編碼
- * @param prefix 前綴
- * @param postfix 后綴
- * @param count 總共編碼的位數，默認為4
- * @returns {string}
- */
- Code.encode = function({str = '',jinzhi = '16',prefix = '\\u',postfix = ';',count = '4'} = {}){
- var ret = '';
- var addZero,tmp;
- for(let i=0;i<str.length;i++){
- tmp = str.charCodeAt(i).toString(jinzhi);
- addZero = count - tmp.length + 1;
- ret += prefix + new Array(addZero).join('0') + tmp + postfix;
- }
- return ret;
- };
- Code.decode = function({str = '',jinzhi = '16',prefix = '\\u',postfix = ';'} = {}){
- var ret = '';
- var splits = str.split(';');
- for(let i=0;i<splits.length;i++){
- let tmp = splits[i].replace(prefix,'');
- ret += String.fromCharCode(parseInt(tmp,jinzhi));
- }
- return ret;
- };
- console.log(Code.encode({str: '<img src=@ onerror=alert(123) />'}));
- console.log(Code.decode({str: Code.encode({str: '<img src=@ onerror=alert(123) />'})}))
另外，對于js輸出點的過濾其實并不僅限于上文提到的如eval、setTimeout、Function等幾個，由于JS語法比較靈活相對“漏洞”較多，可使用的“線索”也越豐富，如前段時間在Stackoverflow上發現的一個問題，即
- (0)['constructor']['constructor']('return "abc;"')()
同樣可以執行JS代碼，確實挺有特點的，具體為什么上述形式可以執行代碼，請讀者自己仔細品味。
