1. Python 中 eval 的基本作用与工作原理
在 Python 的解释执行中，eval 的核心作用是把一个字符串表达式当作 Python 代码来执行并返回结果。动态求值的能力让程序可以在运行时决定要计算的表达式，从而实现灵活的逻辑和自定义脚本能力，但也带来潜在的安全风险。
eval 的实现依赖传入的命名空间：全局命名空间和局部命名空间。命名空间控制决定了表达式中涉及的变量、函数和内置的可用性；如果对全局命名空间过于开放，表达式就可能访问或修改系统状态。因此，理解 命名空间隔离是正确使用 eval 的前提。
expr = "2 + 3 * 4"
result = eval(expr)
print(result) # 14
在实际应用中，随意对外暴露表达式文本、或让用户输入直接进入 eval 的场景，极易带来安全漏洞；因此很多情况下需要严格的输入校验和受限执行环境。
2. 常见场景及示例
2.1 动态表达式求值的典型场景
一个常见场景是从用户输入或外部数据源动态求值算术表达式，以实现自定义计算规则。数据驱动的表达式评估能让非开发人员也能通过配置实现业务逻辑，但也要警惕潜在的代码执行风险。
另一个场景是简化的模板或脚本引擎，在受控范围内将文本表达式转换为可执行结果。受控环境中的表达式求值可以提升灵活性，但需避免对未经过滤的输入直接使用 eval。
# 用户输入的表达式示例
user_expr = "min(max(x, 0), 100)" # x 由程序提供，表达式由用户定义
x = 42
# 在受控命名空间中执行，但仍需谨慎
result = eval(user_expr, {"__builtins__": {"min": min, "max": max, "abs": abs}}, {"x": x})
print(result) # 42
在该示例中，受控的全局命名空间和局部命名空间帮助限制了 eval 的权限，但仍需对输入进行严格审查，因为表达式仍可能触发意料之外的行为。
2.2 从配置到脚本的动态解析
一些系统会把配置文件中的字符串作为脚本的一部分进行解析与执行，这时 动态解析能力能够提升灵活性。不过，等价的替代方案往往更安全，比如将配置映射为数据结构，而不是代码。
为了避免直接执行，开发者可以将表达式作为数据项进行处理，通过自定义解析器将受控的文本转换为结果，而不是直接用 eval 进行求值。这可以大幅降低安全风险。
import math
config_expr = "sqrt(16)"
# 使用受控的命名空间
allowed_globals = {"sqrt": math.sqrt}
result = eval(config_expr, {"__builtins__": {}}, allowed_globals)
print(result) # 4.0
上面的做法强调了一个原则：尽量不给表达式带来对系统的广泛访问，并且把表达式的可执行范围降到最低。
3. 潜在风险与安全威胁
3.1 代码注入风险与安全漏洞
最直接的风险来自于对未受控输入的直接求值，恶意表达式可能调用系统函数、修改全局状态甚至读取敏感数据。常见的攻击向量包括通过字符串拼接将外部输入嵌入 eval，导致 任意代码执行。因此在公开接口中使用 eval 时要极度小心。
另外，eval 可以访问模块、内置函数等，错误的命名空间配置仍然可能带来意料之外的副作用。评估表达式前应始终进行严格的输入校验和最小化权限控制。
# 恶意输入示例（演示用途，请勿在生产环境中执行）：
user_input = "__import__('os').system('echo hacked')"
# 如果没有严格限制，全局命名空间中可能执行任何系统命令
result = eval(user_input, {"__builtins__": {}}, {})
以上示例强调了 开启全局权限的风险，以及在不安全的输入条件下 eval 可能带来的后果。
3.2 与现代替代方案的对比
与 替代方案的对比标志着一个重要的安全议题：在很多场景中，直接使用 eval 并非必要。可以通过解析数据、使用专用解析器、或将表达式转化为数据结构来达到目标，从而降低风险。
对于需要对外暴露的表达式，使用更安全的实现路径（如基于 AST 的受控评估或模板引擎）通常更可控，能在保留灵活性的同时降低潜在威胁。下面将引入更安全的替代思路。
4. 安全最佳实践与替代方案
4.1 限制执行环境与沙箱执行
一个重要的策略是把执行环境尽可能限制在一个沙箱中：禁用内置函数的广泛访问，仅暴露少量经过严格筛选的 API。将 eval 的全局命名空间设为空字典，局部命名空间只包含你需要的变量和函数，是实现这一策略的常见做法。
在实现时，务必为表达式评估设置超时机制，以防止长时间占用 CPU。执行时间限制和资源配额也是防御链的重要组成部分。
import time
start = time.time()
allowed_globals = {
"__builtins__": {},
"abs": abs,
"min": min,
"max": max
}
local_vars = {"x": 10}
expr = "abs(x - 3)"
# 简单的时间保护
timeout_seconds = 0.01
while time.time() - start < timeout_seconds:
result = eval(expr, allowed_globals, local_vars)
break
else:
result = None # 超时处理
print(result)
4.2 使用 ast.literal_eval 与自定义解析器
在绝大多数情况中，优先考虑 ast.literal_eval，它只能解析安全的字面量结构（如列表、字典、数字、字符串等），因此不会执行任意代码。对于需要复杂表达能力的场景，可以通过自定义解析器实现受控的解析逻辑。
import ast
# 仅允许解析字面量，避免任意表达式执行
expr = "{'a': 1, 'b': [2, 3]}"
data = ast.literal_eval(expr)
print(data) # {'a': 1, 'b': [2, 3]}
此外，使用 JSON 作为数据传输格式并结合 json.loads，也能在很大程度上降低风险，因为 JSON 仅支持数据结构，不包含可执行代码。
import json
text = '{"a": 1, "b": [1, 2, 3]}'
data = json.loads(text)
print(data) # {'a': 1, 'b': [1, 2, 3]}
通过将表达式从“代码”转化为“数据”，并采用受控的解析路径，可以在保留灵活性的同时显著提升安全性。数据驱动的设计模式往往比直接执行字符串表达式更可控、可维护。
