XCat 技术文档
2024-12-26 08:32:47作者:盛欣凯Ernestine
1. 安装指南
XCat 是一个用于利用和调查盲 XPath 注入漏洞的命令行工具。以下是安装 XCat 的几种方式:
使用 pip 安装
确保你的系统已经安装了 Python 3.7 或更高版本。然后运行以下命令:
pip install xcat
使用 Docker 安装
如果你更喜欢使用 Docker,可以通过以下命令运行 XCat:
docker run -it tomforbes/xcat --help
在 Fedora 上安装
如果你使用的是 Fedora 系统,可以通过以下命令安装 XCat:
dnf install xcat
使用 pyenv 安装 Python 3.7
如果你的系统上没有 Python 3.7,可以使用 pyenv 来安装:
pyenv install 3.7.1
2. 项目的使用说明
XCat 提供了丰富的功能来帮助用户检测和利用 XPath 注入漏洞。以下是 XCat 的主要功能和使用方法:
自动选择注入点
XCat 可以自动选择注入点。你可以通过以下命令查看支持的注入点列表:
xcat injections
检测 XPath 解析器版本和功能
XCat 能够检测目标系统的 XPath 解析器版本和功能,并选择最快的检索方法。
内置的 HTTP 服务器
XCat 内置了一个 HTTP 服务器,支持以下功能:
- 自动化 XXE 攻击
- 使用 OOB HTTP 请求来加速数据检索
自定义请求头和请求体
你可以通过 XCat 自定义请求头和请求体,以适应不同的测试场景。
内置的 REPL Shell
XCat 提供了一个内置的 REPL Shell,支持以下操作:
- 读取任意文件
- 读取环境变量
- 列出目录内容
- 上传和下载文件(即将推出)
优化的数据检索
XCat 在数据检索方面进行了优化,支持以下功能:
- 如果可用,使用 Unicode 码点的二分搜索
- 回退机制包括优先搜索先前检索到的常见字符
- 规范化 Unicode 以减少搜索空间
3. 项目 API 使用文档
XCat 提供了丰富的 API 接口,方便开发者集成和使用。以下是 XCat 的主要 API 接口:
自动选择注入点
from xcat import XCat
xcat = XCat()
injections = xcat.get_injections()
print(injections)
检测 XPath 解析器版本和功能
from xcat import XCat
xcat = XCat()
version = xcat.detect_version()
print(version)
自定义请求头和请求体
from xcat import XCat
xcat = XCat()
xcat.set_headers({"User-Agent": "XCat/1.0"})
xcat.set_body("param1=value1¶m2=value2")
response = xcat.send_request()
print(response)
使用 REPL Shell
from xcat import XCat
xcat = XCat()
xcat.start_repl()
4. 项目安装方式
XCat 支持多种安装方式,包括 pip、Docker 和 Fedora 包管理器。以下是详细的安装步骤:
使用 pip 安装
pip install xcat
使用 Docker 安装
docker run -it tomforbes/xcat --help
在 Fedora 上安装
dnf install xcat
使用 pyenv 安装 Python 3.7
pyenv install 3.7.1
通过以上步骤,你可以成功安装并使用 XCat 来进行 XPath 注入漏洞的检测和利用。希望这篇文档能帮助你更好地理解和使用 XCat。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210