当前位置:首页 > 文章列表 > 文章 > python教程 > PythonFlask防SQL注入:参数化与ORM防护指南

PythonFlask防SQL注入:参数化与ORM防护指南

2026-03-20 21:45:36 0浏览 收藏
本文深入剖析了Flask应用中SQL注入风险的本质成因与系统性防护方案,明确指出字符串拼接(如f-string、+连接、format())执行SQL是高危操作,根本原因在于攻击者可借此篡改SQL语法结构,而参数化查询通过数据库驱动层严格分离语句与数据,从执行机制上杜绝注入;文章详述sqlite3、psycopg2、MySQL驱动在占位符使用上的关键差异与陷阱,强调表名、排序字段等动态部分必须依赖白名单校验而非转义,同时厘清SQLAlchemy ORM中filter()的安全边界与text()的危险用法,指出模糊搜索应统一使用like()方法、动态SQL必须配合bindparam()注入,并警示Flask-SQLAlchemy中db.session.execute()若出现任何字符串拼接即意味着漏洞裸奔——安全不是加一层过滤,而是重构整个查询逻辑,将参数化思维贯穿于每一行数据库交互代码。

Python编写Flask API如何防止SQL注入_使用参数化查询与ORM安全防护

Flask中用sqlite3或psycopg2执行SQL时,为什么拼接字符串必出问题

直接用f"SELECT * FROM users WHERE id = {user_id}"或"SELECT * FROM users WHERE name = '" + name + "'",等于把数据库的钥匙塞给前端。哪怕user_id看着是数字,攻击者也能传1 OR 1=1 --进来,绕过条件、拖库、删表。

根本原因不是“没过滤”,而是SQL解析器会把拼进去的字符串当语句一部分执行——参数化查询强制让数据和语句分离,数据库只把占位符当值处理,不重新编译语法。

  • sqlite3必须用?或:name占位,不能用%s(那是Python字符串格式化,早于SQL解析)
  • psycopg2支持%s和%(key)s,但%s不是字符串插值,是驱动层转义后送进PostgreSQL的二进制协议参数
  • 连ORDER BY或table_name这种无法参数化的字段,得白名单校验,不能靠escape_string()糊弄

SQLAlchemy ORM里filter()和text()的安全边界在哪

filter(User.name == name)是安全的,ORM自动转成参数化查询;但一旦写filter(text("name = '{}'".format(name))),就退化回拼接陷阱。

常见误操作:用text()动态拼接排序字段、模糊搜索关键词、或带函数的条件(比如LOWER(name) = LOWER('{name}'))。这些看似灵活,实则绕过了ORM的防护层。

  • 模糊搜索统一走like()方法:User.name.like(f"%{keyword}%"),它生成的是WHERE name LIKE ? + 参数
  • 需要text()时,只用于固定结构SQL(如窗口函数),且所有变量必须用bindparam()注入,例如text("SELECT * FROM users ORDER BY :sort_field").bindparams(sort_field=bindparam("sort_field"))
  • execute()原生查询必须配session.execute(text(sql), {"param": value}),不能裸调session.execute(sql.format(...))

Flask-SQLAlchemy里db.session.execute()的两种写法风险差异

新手常以为用了Flask-SQLAlchemy就万事大吉,结果在db.session.execute("UPDATE users SET status = 'active' WHERE id = {}".format(user_id))里翻车——这行代码完全没走ORM参数机制,纯字符串拼接。

真正安全的写法只有两种:一是用ORM对象操作(user.status = "active"; db.session.commit()),二是用带参数的text()。

  • 安全写法1:db.session.execute(text("UPDATE users SET status = :status WHERE id = :id"), {"status": "active", "id": user_id})
  • 安全写法2:db.session.query(User).filter(User.id == user_id).update({"status": "active"})
  • 危险信号:execute()里出现.format()、%、f-string、+拼接,基本可以判定有漏洞

为什么用mysql-connector-python时%s写法反而可能出错

MySQL官方驱动对参数占位符极其严格:%s只能用于值,不能用于表名、列名、LIMIT偏移量。有人试过"SELECT * FROM %s LIMIT %s",第二个%s能参数化,第一个会直接报ProgrammingError: Wrong number of arguments。

更隐蔽的问题是,某些旧版驱动把%开头的字符串(如"%admin%")误判为格式化指令,导致execute("SELECT * FROM users WHERE name LIKE %s", ["%admin%"])实际发出去的是LIKE '%admin%'还是LIKE '%%admin%%',取决于驱动版本。

  • 解决方案:表/列名用白名单映射,比如{"users": "users", "orders": "orders"}.get(table_arg, "users")
  • LIMIT参数必须转成int再拼,但仅限于你完全控制输入来源(如分页页码从request.args.get("page", 1, type=int)来)
  • 模糊匹配统一用CONCAT('%', %s, '%')替代手动加%,让数据库处理通配符

参数化不是贴膏药,是重构查询逻辑的前提。漏掉一个format(),整个API就等于裸奔。别信“我这个字段只管理员能改”——权限控制和SQL安全是两层事,谁也替不了谁。

以上就是本文的全部内容了,是否有顺利帮助你解决问题?若是能给你带来学习上的帮助,请大家多多支持golang学习网!更多关于文章的相关知识,也可关注golang学习网公众号。

CSS闪烁发光文字特效实现方法CSS闪烁发光文字特效实现方法
上一篇
CSS闪烁发光文字特效实现方法
夸克悬浮窗搜题为何失效?原因全解析
下一篇
夸克悬浮窗搜题为何失效?原因全解析
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    306次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    364次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    359次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    327次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    148次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码