本文介绍如何在仅使用标准库的前提下，利用 eval() 构建灵活、可配置的数据查询函数，支持任意字段索引与复合条件（如 ==、!=、>=、is none 等），适用于 csv 解析后列表结构的动态过滤场景。
本文介绍如何在仅使用标准库的前提下，利用 eval() 构建灵活、可配置的数据查询函数，支持任意字段索引与复合条件（如 ==、!=、>=、is none 等），适用于 csv 解析后列表结构的动态过滤场景。
在实际数据处理中，尤其是面对结构化但非固定模式的 CSV 数据时，硬编码查询逻辑极易导致维护困难——业务规则变更频繁，列含义随时间演进，而重写条件语句既低效又易出错。理想方案应具备：运行时可配置、无需重新部署、兼容任意字段组合与运算符、且不依赖第三方库。Python 标准库中的 eval() 函数恰好为此类动态表达式求值提供了简洁可行的路径。
以下是一个生产就绪（经安全约束优化）的通用查询函数：
from collections.abc import Sequence
from typing import Any, Tuple
def query_data(
data: Sequence[Tuple[Any, ...]],
condition: str,
*,
safe_builtins: bool = True
) -> Sequence[Tuple[Any, ...]]:
"""
基于动态 Python 表达式对元组列表执行过滤。
Args:
data: 待查询的元组序列（如 csv.reader 读取结果）
condition: 合法 Python 布尔表达式，其中 'row' 指代当前行（元组）
safe_builtins: 是否禁用危险内置函数（推荐设为 True）
Returns:
满足条件的行组成的列表
"""
# 定义最小化、安全的执行环境
safe_globals = {"__builtins__": {}} if safe_builtins else {}
safe_locals = {"row": None} # 预留占位，实际由列表推导式注入
# 使用列表推导式 + eval 实现高效过滤
return [
row for row in data
if eval(condition, safe_globals, {"row": row})
]
✅ 使用示例（模拟 CSV 解析后的数据）：
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),
]
# 多样化查询 —— 完全由字符串定义，无需修改函数
print(query_data(csv_data, 'row[1] == 2 and row[3] != 5'))
# → [(1, 2, 3, 4, 5)]
print(query_data(csv_data, 'row[0] == "Bob" and row[1] is not None and row[3] >= 0'))
# → [('Bob', 'Alice', 'Charlie', 0, 1)]
print(query_data(csv_data, 'isinstance(row[0], str) and row[0].startswith("A")'))
# → [('Alice', None, 'Bob', 0, -1)]
⚠️ 关键注意事项：
- 安全性第一：eval() 可执行任意代码，若条件字符串来自不可信输入（如 Web 表单、用户上传文件），必须启用 safe_builtins=True 并进一步限制 safe_globals（例如显式白名单允许的函数：{"len": len, "isinstance": isinstance}）；
- 性能考量：对大数据集（>10⁴ 行），eval 开销略高于硬编码条件；如需极致性能，可预编译表达式（配合 compile()）或迁移至 pandas.query()（但违反“仅标准库”约束）；
- 空值处理：Python 中 None 应使用 is None 或 is not None 判断，避免 == None（虽在多数情况下有效，但语义不严谨）；
- 类型兼容性：确保表达式中操作符与实际数据类型匹配（如对字符串使用 >= 可能抛出 TypeError），建议在调用前做轻量数据探查。
该方案本质是将查询逻辑从代码层下沉至配置层——条件即字符串，规则即代码。它不是 SQL 替代品，而是标准库约束下的务实解法：简洁、可控、可扩展，且完全规避了外部依赖。当业务需求要求“今天新增一列筛选，明天调整组合条件”，这种设计让迭代成本趋近于零。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
