xss常见编码解析
前言
其实看这篇文章就差不多懂了：
https://www.cnblogs.com/b1gstar/p/5996549.html
这里只是记录一下方便理解
//1.URL 编码 "javascript:alert(1)"
<a href="%6a%61%76%61%73%63%72%69%70%74:%61%6c%65%72%74%28%31%29">123</a>
//2.HTML字符实体编码 "javascript" 和 URL 编码 "alert(2)"
<a href="javascript:%61%6c%65%72%74%28%32%29">123</a>
//3.URL 编码 ":"
<a href="javascript%3aalert(3)">123</a>
//4.HTML字符实体编码 < 和 >
<div><img src=x onerror=alert(4)></div>
//5.HTML字符实体编码 < 和 >
<textarea><script>alert(5)</script></textarea>
//6.textarea中直接alert
<textarea><script>alert(6)</script></textarea>
//7.HTML字符实体编码 " ' " （单引号）
<button onclick="confirm('7');">Button</button>
//8.Unicode编码 " ' " （单引号）
<button onclick="confirm('8\u0027);">Button</button>
//9.HTML字符实体编码 alert(9);
<script>alert(9);</script>
//10.Unicode 编码 alert
<script>\u0061\u006c\u0065\u0072\u0074(10);</script>
//11.Unicode 编码 alert(11)
<script>\u0061\u006c\u0065\u0072\u0074\u0028\u0031\u0031\u0029</script>
//12.Unicode 编码 alert 和 12
<script>\u0061\u006c\u0065\u0072\u0074(\u0031\u0032)</script>
//13.Unicode 编码 " ' " （单引号）
<script>alert('13\u0027)</script>
//14.Unicode 编码换行符（0x0A）
<script>alert('14\u000a')</script>
以上是一些xss编码解析的例子
首先需要知道html在解析相应的文档时可能会使用：html解析、url解析、javascript解析
html解析：
一个HTML解析器作为一个状态机，它从输入流中获取字符并按照转换规则转换到另一种状>态。在解析过程中，任何时候它只要遇到一个'<'符号（后面没有跟'/'符号）就会进入“标签开始状态(Tag open state)”。然后转变到“标签名状态(Tag name state)”，“前属性名状态(before attribute name state)”......最后进入“数据状态(Data state)”并释放当前标签的token。>当解析器处于“数据状态(Data state)”时，它会继续解析，每当发现一个完整的标签，就会释放出一个token。
例如：
<a href="127.0.0.1">123</a>
首先html匹配到<，进入标签开始状态，然后进入标签名状态，并匹配到a，然后进入前属性名状态，进行一系列属性名、属性值匹配，匹配完href="127.0.0.1"后，进入数据状态，匹配完数据123，结束标签，结束匹配
这大概就是html解析的简略过程，然后呢下面说一下几个概念
字符实体、引用
其实也就是html字符实体编码，例如:<,>(<,>)，html中也有一些预留的字符实体，称之为html字符实体，如:<这两个都是为了转义用户输入的<或>而用的编码形式，使其不会成为一个新标签的开始或结束，也就是
解析器在解析这个字符引用后不会转换到"标签开始状态"，只会将其当作"数据"处理
这也是为什么例4不会弹窗的原因
字符引用包括"字符值引用"和"字符实体引用"，在上述例子中，'<'对应的字符值引用为\<，对应的字符实体引用为\<。字符实体引用也被叫做“实体引用”或“实体”。
下面有三种情况可以容纳字符实体：
"数据状态中的字符引用"
"RCDATA状态中的字符引用"
"属性值状态中的字符引用"
"数据状态中的字符引用"
第一种也就是在数据内容中可以用字符实体，如：
<a href="127.0.0.1"><</a>
其中<会被解析成<
"RCDATA状态中的字符引用"
要了解这个，首先需要知道在HTML中有五类元素：
- 空元素(Void elements)，如<area>,<br>,<base>等等
- 原始文本元素(Raw text elements)，有<script>和<style>
- RCDATA元素(RCDATA elements)，有<textarea>和<title>
- 外部元素(Foreign elements)，例如MathML命名空间或者SVG命名空间的元素
- 基本元素(Normal elements)，即除了以上4种元素以外的元素
五类元素的区别如下：
- 空元素，不能容纳任何内容（因为它们没有闭合标签，没有内容能够放在开始标签和闭合标签中间）
- 原始文本元素，可以容纳文本
- RCDATA元素，可以容纳文本和字符引用
- 外部元素，可以容纳文本、字符引用、CDATA段、其他元素和注释
- 基本元素，可以容纳文本、字符引用、其他元素和注释
可以看到所谓RCDATA也就是一种html元素，而这种元素的标签为<textarea>或<title>
这意味着在<textarea>和<title>标签中的字符引用会被HTML解析器解码
在浏览器解析RCDATA元素的过程中，解析器会进入“RCDATA状态”。在这个状态中，如果遇到“<”字符，它会转换到“RCDATA小于号状态”。如果“<”字符后没有紧跟着“/”和对应的标签名，解析器会转换回“RCDATA状态”。这意味着在RCDATA元素标签的内容中（例如<textarea>或<title>的内容中），唯一能够被解析器认做是标签的就是它本身，即</textarea>或者</title>。因此，在<textarea>和<title>的内容中不会创建标签，就不会有脚本能够执行。所以例5,例6都不能执行，但他还是能解析实体编码：
<textarea><script>alert(5)</script></textarea>
至于外部元素中的，CDATA:
我们来迅速看一下CDATA元素。任何在CDATA元素中的内容将不会触发解析器创建开始标签。闭合CDATA元素的标志是“]]>”序列。因此如果用户想逃出CDATA元素，就要用未经任何编码的“]]>”序列，不然是不会逃出CDATA元素的。
"属性值状态中的字符引用"
这部分将放到url解析中讲述
url解析
这个都比较清楚，着重看一下例1：
//1.URL 编码 "javascript:alert(1)"
<a href="%6a%61%76%61%73%63%72%69%70%74:%61%6c%65%72%74%28%31%29">123</a>
这里是：不能对协议类型进行任何的编码操作，不然URL解析器会认为它无类型
例1中对js伪协议(:也是其中一部分)进行了编码，导致url解析其为无类型，于是没有弹窗
再来看一下例2：
//2.HTML字符实体编码 "javascript" 和 URL 编码 "alert(2)"
<a href="javascript:%61%6c%65%72%74%28%32%29">123</a>
这里就用到了上面没说的：属性值状态中的字符引用
由于属性值状态中的字符实体是能被解析的，所以上面的代码首先经过html解析会变成：
<a href="javascript:%61%6c%65%72%74%28%32%29">123</a>
然后进行url解析，变成
<a href="javascript:alert(2)">123</a>
由此即可正常弹窗
例7也是一样：
//7.HTML字符实体编码 " ' " （单引号）
<button onclick="confirm('7');">Button</button>
这里'作为属性值中的字符实体，先被解析成'，然后与前面的单引号闭合弹窗
javascript解析
HTML五类元素中的第二类：原始文本元素中的<script>
就与js解析有关，而script块有个有趣的属性：在块中的字符引用并不会被解析和解码
看到例9
//9.HTML字符实体编码 alert(9);
<script>alert(9);</script>
由于在script块中的字符实体编码不会被解析，所以不会弹窗
不过，js还支持unicode解析。根据文章，js是否会解析unicode编码并执行需要："视情况而定"
具体要看被编码的序列到底是哪部分，unicode可以放在3个部分：字符串中，标识符名称中和控制字符中
字符串中
当Unicode存在于字符串中时，它只会被解释为正规字符，而不是单引号，双引号或者换行符这些能够打破字符串上下文的字符。因此，Unicode转义序列将永远不会破环字符串上下文，因为它们只能被解释成字符串常量。
标识符名称中
当Unicode转义序列出现在标识符名称中时，它会被解码并解释为标识符名称的一部分，例如函数名，属性名等等。
看例10：
//10.Unicode 编码 alert
<script>\u0061\u006c\u0065\u0072\u0074(10);</script>
这里unicode出现在alert这个函数中，允许被解析并执行
控制字符中
当用Unicode转义序列来表示一个控制字符时，例如单引号、双引号、圆括号等等，它们将不会被解释成控制字符，而仅仅被解码并解析为标识符名称或者字符串常量。如果你去看ECMAScript的语法，就会发现没有一处会用Unicode转义序列来当作控制字符。例如，如果解析器正在解析一个函数调用语句，圆括号部分必须为“(”和“)”，而不能是\u0028和\u0029。
说的已经比较详细了，还是看个例子：
例11
//11.Unicode 编码 alert(11)
<script>\u0061\u006c\u0065\u0072\u0074\u0028\u0031\u0031\u0029</script>
这里本来是alert(11)，但是unicode并不能用来表示一个控制字符，如其中的()，所以不会弹窗
例13也是同样的不能用来表示单引号
//13.Unicode 编码 " ' " （单引号）
<script>alert('13\u0027)</script>
而例8中有onclick这个属性，所以也会调用js解析，不过也不会用来表示单引号
//8.Unicode编码 " ' " （单引号）
<button onclick="confirm('8\u0027);">Button</button>
例12看上去没有违背这个规则为什么没有弹窗
//12.Unicode 编码 alert 和 12
<script>\u0061\u006c\u0065\u0072\u0074(\u0031\u0032)</script>
因为unicode解码之后是ASCII型的数字，需要使用单引号闭合
<script>\u0061\u006c\u0065\u0072\u0074('\u0031\u0032')</script>
以上就是html、url、js解析器的简略内容
最后完善一下上面的例子：
//1.URL 编码 "javascript:alert(1)"
<a href="%6a%61%76%61%73%63%72%69%70%74:%61%6c%65%72%74%28%31%29">123</a>
//不会弹窗，js伪协议被url编码会被url解析器当作无类型
//2.HTML字符实体编码 "javascript" 和 URL 编码 "alert(2)"
<a href="javascript:%61%6c%65%72%74%28%32%29">123</a>
//会弹窗，经过html解析实体编码后得到javascript:，得到一个js伪协议
//3.URL 编码 ":"
<a href="javascript%3aalert(3)">123</a>
//不会弹窗，同1
//4.HTML字符实体编码 < 和 >
<div><img src=x onerror=alert(4)></div>
//不会弹窗，html实体不能当作新标签开始
//5.HTML字符实体编码 < 和 >
<textarea><script>alert(5)</script></textarea>
//不会弹窗，由于是RCDATA 状态中的字符引用
//6.textarea中直接alert
<textarea><script>alert(6)</script></textarea>
//不会弹窗，同6
//7.HTML字符实体编码 " ' " （单引号）
<button onclick="confirm('7');">Button</button>
//会弹窗，属于属性值状态的字符引用
//8.Unicode编码 " ' " （单引号）
<button onclick="confirm('8\u0027);">Button</button>
//不会弹窗，属于控制符中的unicode，不能表示控制字符
//9.HTML字符实体编码 alert(9);
<script>alert(9);</script>
//不会弹窗，script块中的字符实体编码不会被解析
//10.Unicode 编码 alert
<script>\u0061\u006c\u0065\u0072\u0074(10);</script>
//会弹窗，属于标识符名称中的unicode，用来表示alert
//11.Unicode 编码 alert(11)
<script>\u0061\u006c\u0065\u0072\u0074\u0028\u0031\u0031\u0029</script>
//不会弹窗，同8
//12.Unicode 编码 alert 和 12
<script>\u0061\u006c\u0065\u0072\u0074(\u0031\u0032)</script>
//不会弹窗，unicode解码后为ASCII类型，需要加引号
//13.Unicode 编码 " ' " （单引号）
<script>alert('13\u0027)</script>
//不会弹窗，同8
//14.Unicode 编码换行符（0x0A）
<script>alert('14\u000a')</script>
//会弹窗，因为用引号闭合
