[Bug] Potential DoS via Unbounded zlib.decompress (Zip Bomb Vulnerability) in Document Parser

快速结论：该报错发生在 LlamaIndex 的 HWP 文档解析器中，当读取恶意构造的高压缩比文档时，zlib.decompress(data, -15) 无大小限制的解压操作会瞬间耗尽内存，导致 OOM 崩溃。优先排查是否使用了受影响的 HWP Reader，并在代码中添加解压大小上限。

问题场景

用户在使用 LlamaIndex 的 HWP 文档解析器（llama-index-readers-hwp）读取 HWP 文件时触发问题。攻击者可以通过提供包含超高压缩比内容的恶意文档（Zip Bomb），在解析过程中导致服务端内存耗尽（OOM），造成拒绝服务（DoS）。该问题通过静态代码分析发现，在 base.py 的 get_text_from_section 方法中。

报错原文

unpacked_data = (
    zlib.decompress(data, -15) if self.is_compressed(load_file) else data
)

# 实际运行时观察到的现象为：
# 内存瞬间飙升至全部可用内存，触发操作系统 OOM killer 杀死进程，无显式 Python 报错。

原因分析

zlib.decompress(data, -15) 调用在处理单个压缩块时，没有对解压后的数据大小设置任何限制，也没有检查压缩比或使用流式解压。攻击者可以构造一个体积很小的压缩文档，解压后膨胀数 GB，导致单次 zlib.decompress 调用直接分配巨大内存，引发 OOM 崩溃。这是一个经典的 Zip Bomb 漏洞。

环境排查

确认是否使用了 llama-index-readers-hwp 集成包
定位代码位置：llama-index-integrations/readers/llama-index-readers-hwp/llama_index/readers/hwp/base.py 第 89–95 行

解决步骤

定位受影响代码：打开 base.py 文件，找到 get_text_from_section 方法中的 zlib.decompress(data, -15) 调用。

添加安全解压函数（可优先尝试）：在类中新增一个带最大解压大小限制的 _safe_decompress 方法。示例实现如下：

MAX_DECOMPRESSED_SIZE = 100 * 1024 * 1024  # 100 MB 限制，可根据需求调整

def _safe_decompress(self, data: bytes, max_size: int = MAX_DECOMPRESSED_SIZE) -> bytes:
    decompressor = zlib.decompressobj(-15)
    result = b""
    chunk = decompressor.decompress(data, max_size)
    result += chunk
    if decompressor.unconsumed_tail or not decompressor.eof:
        if len(result) >= max_size:
            raise ValueError(
                f"Decompressed data exceeds maximum allowed size ({max_size} bytes). "
                "Possible decompression bomb."
            )
    return result

替换原始调用：将原始行替换为：

unpacked_data = (
    self._safe_decompress(data) if self.is_compressed(load_file) else data
)

注意：使用 zlib.decompressobj + 增量解压是推荐方案，但上述示例中 decompress(data, max_size) 仍可能一次性消耗大量内存。更安全的做法是分多次读取并累计大小检查。如果安全性要求更高，可参考以下流式方案：

def _safe_decompress_stream(self, data: bytes, max_size: int = MAX_DECOMPRESSED_SIZE) -> bytes:
    decompressor = zlib.decompressobj(-15)
    result = b""
    # 逐块处理，假设 data 已经全部加载到内存
    chunk = decompressor.decompress(data, 8192)  # 每次最多解压 8KB
    while chunk:
        result += chunk
        if len(result) > max_size:
            raise ValueError(...)
        chunk = decompressor.decompress(data, 8192)  # 需要使用剩余数据，实际需用 unconsumed_tail
    return result

注意：以上流式代码为示意，实际实现需要处理 unconsumed_tail，建议直接采用 Issue 中的 _safe_decompress 方案作为基线。

验证方法

构建一个压缩后很小（如 1KB）但解压后超过 200MB 的测试文件（可使用 python3 -c "import zlib; import sys; sys.stdout.buffer.write(zlib.compress(b'A'*300*1024*1024))" 生成），尝试用 HWP Reader 解析。如果代码抛出 ValueError: Decompressed data exceeds maximum allowed size，且程序未 OOM 崩溃，则修复生效。