本文介绍如何仅用 Python 标准库，通过安全可控的 eval() 构建灵活、可配置的数据查询函数，支持任意字段索引与比较运算，适用于 CSV 解析后列表结构的动态条件筛选。
本文介绍如何仅用 python 标准库，通过安全可控的 `eval()` 构建灵活、可配置的数据查询函数，支持任意字段索引与比较运算，适用于 csv 解析后列表结构的动态条件筛选。
在缺乏 Pandas、SQLAlchemy 等第三方库的受限环境中（如嵌入式脚本、轻量部署或合规审查严格场景），仍需对结构化数据（如 CSV 解析后的 list[tuple]）执行类似 SQL 的动态查询——例如“筛选第 1 列等于 2 且第 3 列不为 5 的所有行”，或“第 6 列为 'Bob'、第 7 列非 None、第 12 列大于等于 0”。硬编码条件显然不可维护，而手动解析表达式又过于复杂。此时，一个简洁、可扩展且仅依赖标准库的解决方案是：基于 eval() 构建受控查询引擎。
✅ 核心实现：安全封装的 query_data
以下函数将用户传入的字符串条件（如 'row[1] == 2 and row[3] != 5'）作用于每一行数据，并返回匹配结果：
from collections.abc import Sequence
from typing import Any, Tuple
def query_data(
data: Sequence[Tuple[Any, ...]],
condition: str,
*,
allow_functions: tuple = ("isinstance", "len", "str", "int", "float", "bool", "startswith", "endswith", "lower", "upper")
) -> Sequence[Tuple[Any, ...]]:
"""
使用 eval 动态执行条件表达式，筛选满足条件的行。
:param data: 数据列表，每个元素为 tuple（如 csv.reader 读取结果）
:param condition: 合法 Python 表达式字符串，其中 'row' 代表当前行
:param allow_functions: 显式白名单函数，防止任意代码执行
:return: 满足条件的行组成的列表
"""
# 构建受限的命名空间
safe_globals = {"__builtins__": {}}
safe_locals = {"row": None} # 占位，实际在 eval 中由列表推导式注入
# 注册白名单函数
for func_name in allow_functions:
if hasattr(__builtins__, func_name):
safe_globals[func_name] = getattr(__builtins__, func_name)
# 执行查询（注意：row 在列表推导中绑定，不在 globals/locals 中定义）
return [r for r in data if eval(condition, safe_globals, {"row": r})]⚠️ 关键安全说明：
- eval() 默认危险，因此我们显式清空 __builtins__ 并仅导入少量安全函数（如 isinstance, startswith）；
- row 变量通过 locals={"row": r} 动态注入，避免用户篡改全局环境；
- 绝不接受不可信输入（如 Web 表单、日志文件）。若需面向外部用户，请改用 ast.literal_eval + 自定义解析器，或引入 simpleeval 等沙箱库。
? 使用示例
假设你已用 csv.reader 读取 CSV 得到如下数据：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
csv_data = [
(1, 2, 3, 4, 5),
(1, 2, 3, 5, 5),
(10, 9, 8, 7, 6),
('Alice', None, 'Bob', 0, -1),
('Bob', 'Alice', 'Charlie', 0, 1),
('Daniel', None, 'Evan', 1, 0),
]
# 查询：第1列（索引1）为2，且第3列（索引3）不等于5
result1 = query_data(csv_data, 'row[1] == 2 and row[3] != 5')
print(result1) # → [(1, 2, 3, 4, 5)]
# 查询：第0列为字符串且以"A"开头
result2 = query_data(csv_data, 'isinstance(row[0], str) and row[0].startswith("A")')
print(result2) # → [('Alice', None, 'Bob', 0, -1)]
# 查询：第4列大于0
result3 = query_data(csv_data, 'row[4] > 0')
print(result3) # → [(1, 2, 3, 4, 5), (1, 2, 3, 5, 5), (10, 9, 8, 7, 6), ('Bob', 'Alice', 'Charlie', 0, 1)]? 支持的语法能力
得益于 Python 原生表达式，该方案天然支持：
- 所有比较运算符：==, !=, , >=
- 逻辑组合：and, or, not
- 类型检查与转换：isinstance(row[0], str), int(row[2])
- 字符串方法：row[0].lower().startswith("bob")
- None 判断：row[1] is None 或 row[1] is not None（推荐用 is 而非 ==）
? 注意事项与最佳实践
- 性能考量：对大数据集（>10k 行），eval 开销略高于硬编码逻辑，但胜在灵活性；如需极致性能，可预编译条件（借助 compile() 缓存字节码）；
- 列名映射（进阶）：若希望用列名而非索引（如 name == "Bob"），可在调用前将每行 tuple 转为 namedtuple 或 dict，并修改 condition 中变量名；
- 错误处理：建议在外层 try/except 捕获 SyntaxError、NameError、TypeError，返回友好提示而非崩溃；
- 替代方案提示：若未来可引入第三方库，pandas.DataFrame.query() 或 sqlite3 内存数据库将提供更强大、更安全的查询能力。
综上，该方案以最小依赖、最大灵活性，精准解决了“标准库下动态条件查询”的核心痛点——它不是万能银弹，但在约束明确、输入可信的场景中，是专业、简洁且可立即落地的工程选择。
