如何在Python中正确执行带参数的MSSQL存储过程 消除SQL注入风险
SQLAlchemy下MSSQL存储过程安全参数传递实现指南
原有通过字符串格式化拼接存储过程入参的写法,会将用户可控输入直接嵌入SQL文本,存在原生SQL注入风险。以下为可直接落地、从根源消除注入风险的实现方案,完全兼容现有pandas读取结果的业务逻辑。
核心实现规则
- 所有用户可控的入参禁止通过字符串拼接嵌入SQL语句,必须通过SQLAlchemy层的命名参数占位符传递,由底层数据库驱动完成预编译、转义流程,从机制上避免注入。
- MSSQL对应的SQLAlchemy驱动(pyodbc、pymssql)统一兼容命名占位符格式,占位符语法为
:参数名,无需手写值包裹的单引号,驱动会自动处理参数类型和转义。
适配pandas读取场景的改造代码
原有高风险写法示例:
# 风险写法:直接格式化拼接入参到SQL文本 query = "exec sp_getVariablesList @City = '{0}', @Station='{1}'".format(City, Station) self.Variables = pd.read_sql_query(query, engine)
改造后无风险写法:
# 引擎初始化逻辑保持原有实现 engine = sqlalchemy.create_engine(self.getSql_conn_url()) # 纯SQL模板:入参位置用命名占位符替代,不拼接任何业务值 query = "exec sp_getVariablesList @City = :city, @Station = :station" # 可控入参通过params字典独立传入,由SQLAlchemy底层处理参数绑定 self.Variables = pd.read_sql_query( sql=query, con=engine, params={"city": City, "station": Station} )
常见兼容问题处理
如果执行时出现ARITHABORT相关报错,仅需在SQL模板开头补充会话设置语句即可,不影响参数化逻辑:
query = """ SET ARITHABORT ON; exec sp_getVariablesList @City = :city, @Station = :station """
纯SQLAlchemy层的存储过程调用方式
如果需要对结果集做更灵活的游标处理,可直接通过SQLAlchemy连接层执行存储过程:
from sqlalchemy import text with engine.connect() as conn: result = conn.execute( # 包裹SQL模板启用参数化支持 text("exec sp_getVariablesList @City = :city, @Station = :station"), # 参数独立传入,无文本拼接 {"city": City, "station": Station} ) # 结果转DataFrame,与原有业务逻辑完全兼容 self.Variables = pd.DataFrame(result.mappings().all())
方案失败的常见踩坑点
- 即使在外层用
text()包裹SQL,如果内部还是通过format/f-string把入参值拼进了SQL文本,依然会存在注入风险,也不算真正的参数化。 - 混用不同驱动的原生占位符格式,比如直接用
?、%s作为占位符,会在更换驱动的时候出现兼容问题,统一使用SQLAlchemy封装的:参数名格式可实现跨驱动兼容。 - 传参时没有通过
params字段绑定参数,而是把参数值直接拼接到SQL字符串中,完全失去参数化的安全和兼容特性。
内容的提问来源于stack exchange,提问作者Krzysztof Krysztofczyk
相关产品推荐
相关产品推荐

