vite-plugin-pwa项目中Rollup依赖的DOM安全问题分析与解决方案
问题背景
在vite-plugin-pwa项目及其依赖项workbox-build中,发现了一个由Rollup打包工具引起的DOM安全问题。这种问题可能导致跨站脚本风险,影响使用这些工具构建的应用程序安全性。
问题原理
DOM操作是一种代码重用方式,开发者通过在网页中嵌入HTML标记(如带有特定name或id属性的img标签),利用现有JavaScript代码中的功能片段实现特定效果。
在Rollup打包工具中,当使用cjs/umd/iife格式输出并包含import.meta.url的代码时,Rollup会将meta属性替换为从document.currentScript获取的URL。这个实现需要注意安全考虑,因为document.currentScript查找可能被浏览器的命名DOM树元素访问机制所影响。
问题影响
开发者需要注意以下情况:
- 从服务器动态加载脚本
- 执行跨站脚本风险
- 保护用户信息或会话凭证
解决方案
临时解决方案
对于需要立即调整的项目,可以采用以下临时方案:
-
使用包管理器的覆盖功能指定特定版本的Rollup:
- 在package.json中添加overrides/resolutions/pnpm.overrides配置
- 指定使用Rollup 4.22.4或更高版本
-
对于使用Vite 5及更高版本的项目,可以直接引用vite-plugin-pwa的PR版本
长期解决方案
vite-plugin-pwa开发团队已经采取了以下措施:
- 移除了Rollup开发依赖项,仅保留必要的类型定义
- 更新了workbox-build依赖到7.3.0版本
- 发布了v0.21.0版本修复此问题
开发者建议
- 及时更新vite-plugin-pwa到最新版本
- 对于仍在使用Vite 3的项目,建议升级Vite版本以获得完整的功能改进
- 定期检查项目依赖的更新公告
- 在允许用户输入HTML内容的场景中,注意name和id属性的使用
技术深度解析
DOM操作之所以能够实现特定效果,是因为浏览器允许通过元素的name或id属性直接访问DOM元素。例如,当页面中存在<img name="currentScript">时,JavaScript中的document.currentScript实际上会返回这个img元素而非预期的script元素。
Rollup的改进方案是在访问document.currentScript时增加了类型检查,确保只有当元素的tagName为SCRIPT时才使用其src属性。这种编程方式有助于提高代码健壮性。
对于前端开发者而言,理解这类问题有助于编写更可靠的代码,特别是在处理动态内容加载和用户生成内容时。代码质量和防御性编程应该成为现代前端开发的重要组成部分。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00