💡 Ejemplo completo disponible en GitHub:
merge-untrusted-html-uploads-dotnet

Fusionar de forma segura documentos HTML no confiables es un flujo de trabajo de GroupDocs.Merger para .NET que niega los recursos externos a los que hace referencia una carga — URLs remotas, rutas UNC y archivos locales — a menos que los permita explícitamente.

La forma anterior era dolorosa

Imagina que tu portal de facturación combina la carga de una factura del cliente con una nota de entrega del mismo pedido en un solo documento HTML para archivarlo. La factura es HTML simple: un enlace a una hoja de estilo, una imagen de logotipo, un par de párrafos, excepto que no la escribiste tú, sino el navegador del cliente o una herramienta de exportación. Antes de GroupDocs.Merger 26.10, la fusión cargaba los recursos externos que el HTML referenciaba — hojas de estilo remotas, imágenes remotas, rutas de archivo locales absolutas — y no había opción para detenerlo.

Ese es un problema en el momento en que la carga no es totalmente confiable. Una URL de hoja de estilo también puede ser un píxel de seguimiento. Un src de imagen puede apuntar a http://169.254.169.254/latest/meta-data/iam/security-credentials/ — una dirección de metadatos en la nube — y tu paso de fusión la solicitaría en nombre del cargador. También se leía una ruta absoluta file:///, de modo que una referencia a la carga de otro cliente podría extraer ese archivo al resultado fusionado.

El costo real de fusionar a ciegas: un trabajo de fusión que recupera cualquier cosa que una carga solicite convierte tu servidor en un proxy para SSRF, y una referencia file:/// en una vía para que la fusión de un cliente lea el archivo de otro cliente.

Hay una mejor manera

GroupDocs.Merger for .NET corrige esto por defecto. Desde la versión 26.10, cada constructor de LoadOptions establece SkipExternalResources = true, y un Merger creado sin opciones de carga usa ese mismo valor predeterminado: no se carga nada externo a menos que lo indiques.

Requisitos previos:

  • .NET (cualquiera de los cuatro marcos de destino que GroupDocs.Merger for .NET admite)
  • GroupDocs.Merger for .NET 26.10 o posterior (obtener una licencia temporal)
  • Dos documentos HTML para combinar, al menos uno de una fuente que no confíes completamente

Instala con un solo comando:

dotnet add package GroupDocs.Merger --version 26.10.0

La nueva forma: fusionar HTML sin confiar en él

Así es como se ve la unión de dos cargas HTML con los valores predeterminados seguros, un manejador que registra cada decisión y, en una segunda pasada, un manejador que suministra un recurso confiable.

Paso 1 - Crear opciones de carga para el formato

LoadOptions no tiene constructor sin parámetros y está sellado desde la 26.10; el ejemplo nombra el formato explícitamente.

// LoadOptions(FileType.HTML) already denies everything external by default
var audit = new ResourceAudit();
var loadOptions = new LoadOptions(FileType.HTML) { ExternalResourceHandler = audit };

Paso 2 - Unir las cargas e inspeccionar las decisiones

// Both uploads follow the options of the Merger they are joined to
using (var merger = new Merger(firstUpload, loadOptions))
{
    merger.Join(secondUpload);
    merger.Save(outputPath);
}

foreach (string decision in audit.Decisions)
{
    Console.WriteLine(decision);
}

Puntos clave:

  • SkipExternalResources: implícitamente true aquí, por lo que cada URL remota, ruta UNC y referencia a archivo local se niegan, incluido un archivo en la propia carpeta de la carga.
  • Una LoadOptions por unión: la segunda carga no recibe sus propias opciones; hereda lo que el Merger al que se unió fue creado con.

Paso 3 - Permitir exactamente un recurso confiable

// Supply the logo's bytes directly instead of requesting it over the network
var trustedAssets = new Dictionary<string, byte[]>
{
    [logoUrl] = File.ReadAllBytes(logoPath)
};
var audit = new ResourceAudit(trustedAssets);
var loadOptions = new LoadOptions(FileType.HTML) { ExternalResourceHandler = audit };

El método OnLoading del manejador establece args.Skipped = false y args.Data a esos bytes cuando la URI solicitada coincide, de modo que el documento obtiene el logotipo sin que GroupDocs.Merger realice una solicitud en ningún lugar.

Cuando ejecutamos la fusión predeterminada contra las cargas de factura y nota de entrega, las siete referencias externas de ambos archivos fueron bloqueadas: la hoja de estilo remota, el logotipo remoto, la URL estilo metadatos, la imagen de la carpeta hermana, una ruta file:///, una ruta UNC y una URL de seguimiento con cadena de consulta. joined.html conserva el texto de ambas cargas; un marcador de posición ocupa cada imagen bloqueada. Con el manejador de logotipo confiable adjunto, el logotipo se devolvió supplied y los otros seis permanecieron blocked.

Comparación lado a lado: Antes vs. Después

Antes (sin opción) Después (GroupDocs.Merger 26.10)
Solicitudes externas Cada referencia se carga automáticamente Denegado a menos que se permita explícitamente
Rutas de archivo locales absolutas Cargado en la salida Denegado como cualquier otra referencia
Excepciones confiables No necesario - todo cargado Un recurso mediante un manejador, o un prefijo en la lista blanca
Entrada de lista blanca incorrecta No existía lista blanca Rechazado con ArgumentException en la construcción
Código requerido No hay forma de restringir la carga Unas pocas líneas en LoadOptions

El contraste está en lo que es posible, no solo en lo que es conveniente: antes de la 26.10 no había ninguna configuración que detuviera la carga; después, negar es el valor predeterminado y cada excepción es explícita.

¿Esto romperá HTML que ya dependía de cargar imágenes remotas?

Si ese HTML sigue fusionándose con LoadOptions predeterminadas, sí: las imágenes no se cargarán y un marcador de posición las sustituirá en la salida. La solución es explícita, no un parche: enumera las fuentes confiables en WhitelistedResources, o adjunta un IExternalResourceHandler que suministre los activos específicos que aún deseas renderizar. De cualquier forma, la fusión sigue ejecutándose; simplemente deja de obtener cualquier cosa que no hayas nombrado.

Ejemplo del mundo real: Consolidación de factura y nota de entrega

Una canalización de documentos que fusiona HTML enviado por el cliente en una copia de archivo es exactamente el escenario que modela el proyecto de ejemplo de esta página: una carga de factura y una nota de entrega del mismo pedido, unidas en un solo archivo. Ninguna de las dos cargas es algo que el propio equipo de la canalización haya escrito, por lo que no se puede asumir que sea segura para leer literalmente. La factura indica un importe adeudado y un cliente, Northwind Traders, y lleva una referencia de logotipo, una hoja de estilo de seguimiento, una URL estilo metadatos en la nube, una referencia de imagen en la misma carpeta y una ruta file:/// — siete referencias externas entre ambas cargas, ninguna de las cuales la canalización de archivado debería recuperar en nombre del cliente.

Antes de que el trabajo de fusión entre en producción, vale la pena decidir, tipo de documento por tipo de documento, si se necesita alguna excepción. El escenario de facturación de este ejemplo necesitó exactamente una: el propio logotipo de la empresa, servido desde un archivo ya en disco en lugar de recuperarse de la URL remota que el HTML nombra. Todo lo demás — la hoja de estilo de seguimiento, la dirección estilo metadatos, el archivo hermano, las rutas UNC y file:/// — no tenía razón legítima para ser recuperado, por lo que los valores predeterminados eran la respuesta correcta.

// Reject a whitelist entry that is not an absolute URI prefix
var loadOptions = new LoadOptions(FileType.HTML)
{
    WhitelistedResources = new List<string> { "cdn.example.com" }
};

Pasar un nombre de host simple en lugar de un prefijo absoluto como https://cdn.example.com/brand/ lanza una excepción, con el mensaje Whitelisted resource 'cdn.example.com' must be an absolute URI without a query, fragment or encoded '/', '\' or '.'. (Parameter 'WhitelistedResources') — antes de que se abra alguna carga. Detectar una lista blanca mal configurada al iniciar vale más que detectarla después de que un recurso falle silenciosamente en producción.

¿Qué más puedes hacer con GroupDocs.Merger for .NET?

  • Validar entradas de lista blanca temprano: una entrada mal formada en WhitelistedResources falla en la construcción del Merger, por lo que las comprobaciones de inicio de la implementación la capturan antes de procesar cualquier documento.
  • Suministrar activos confiables desde disco: IExternalResourceHandler puede responder a una solicitud con los bytes que ya tienes, sin acceso a la red.
  • Aplicar una política a cada documento unido: LoadOptions se establece una vez en el Merger, y cada documento que se una después sigue las mismas reglas.
  • Cubrir más que HTML: procesamiento de texto, HTML/MHTML, presentaciones, hojas de cálculo, SVG y documentos EPUB respetan las mismas opciones.

Conclusión

Fusionar HTML que no escribiste ya no significa confiar en todo lo que contiene. GroupDocs.Merger for .NET niega los recursos externos por defecto desde la versión 26.10, y las dos formas de conceder una excepción — un manejador de activos confiables y WhitelistedResources — te dan exactamente el acceso que necesita una canalización determinada, nada más.

¿Listo para probarlo tú mismo?

Recursos adicionales