前言
SQL 编译与执行系列技术博客将按照以下顺序分别介绍整个 SQL 执行引擎。
图一 SQL 编译与执行研读流程
本文作为本系列第一篇文章,首先为大家介绍 parser 的核心设计,主要包括 SQL 词法以及语法的解析。
一、SQL 执行流程
图二所示为一条 SQL 语句的整体处理流程,总体来说,一条 SQL 语句需要经过下述步骤:parser—构建逻辑计划—构建优化计划—构建物理计划—构建执行计划。
图二 SQL 执行流程
parser 过程最主要的目的就是解析输入的 SQL 语句,通过词法解析器解析为 token,通过语法解析器生成抽象语法树,而后即可传入 SQL 执行引擎进行识别和处理。
接着进入下一步,首先要对输入的数据进行有效性验证,解析并转换 AST 树,构建逻辑计划。接下来就是对生成的计划进行优化以找到代价最小的执行方式,根据优化好的逻辑计划构建可执行的物理计划,最后下发到各个节点进行分布式执行。
二、Lex & Yacc
Lex 代表 Lexical Analyzar(词法分析器),Yacc 代表 Yet Another Compiler Compiler(编译器代码生成器)。它们分别是用来生成词法分析器和语法分析器的工具,Lex 和 Yacc 在 UNIX 下分别叫 Flex 和 Bison。
词法解析是编译的第一步,将语句拆分为 token,移除空格和注释,逐个读入源码中的 character,检查是否有效并传递给语法分析器。语法分析器以 token-stream 的形式从词法分析器获取输入;解析器根据规则文件生成的规则将 token 解析成一个抽象语法树的结构,如图三所示。
图三 Lex & Yacc 执行流程
从上图的执行流程可以看出,我们需要分别为 Lex 和 Yacc 提供对应的规则文件,Lex & Yacc 根据给定的规则,生成符合需求的词法分析器和语法分析器。一般这两种配置都是文本文件且结构相同:
... definitions ...
%%
... rules ...
%%
... subroutines …
复制代码
文件通过 %% 分成三部分,最上面定义了各种名称,例如各种表达式、token 等,中间则是重点的规则,首先看一下 Lex 的规则文件:
...
%%
/* 变量 */
[a-z] {
yylval = *yytext - 'a';
return VARIABLE;
}
/* 整数 */
[0-9]+ {
yylval = atoi(yytext);
return INTEGER;
}
/* 操作符 */
[-+()=/*\n] { return *yytext; }
/* 跳过空格 */
[ \t] ;
/* 其他格式报错 */
. yyerror("invalid character");
%%
…
复制代码
对于词法解析对应的规则,可以看出,左边是扫出来的字符内容,通过正则表达式进行匹配,如果匹配到即返回右边大括号中运行的结果。再看看 Yacc 对应的规则文件:
%token INTEGER VARIABLE
%left '+' '-'
%left '*' '/'
...
%%
program:
program statement '\n'
|
;
statement:
expr { printf("%d\n", $1); }
| VARIABLE '=' expr { sym[$1] = $3; }
;
expr:
INTEGER
| VARIABLE { $$ = sym[$1]; }
| expr '+' expr { $$ = $1 + $3; }
| expr '-' expr { $$ = $1 - $3; }
| expr '*' expr { $$ = $1 * $3; }
| expr '/' expr { $$ = $1 / $3; }
| '(' expr ')' { $$ = $2; }
;
%%
…
复制代码
首先是定义了 token 以及一些运算符。%left 代表左结合,同一行的运算符优先级是一样的,不同行的越靠下优先级就越高。
语法规则使用了巴科斯范式(BNF)定义,它不仅能严格地表示语法规则,而且所描述的语法是与上下文无关的。它具有语法简单,表示明确,便于语法分析和编译的特点。每条规则的左部是一个非终结符,右部是由非终结符和终结符组成的一个符号串。具有相同左部的规则可以共用一个左部,各右部之间以直竖“|”隔开。
解析表达式是生成表达式的逆向操作,我们需要归宿表达式到一个非终结符。Yacc 生成的语法分析器使用自底向上的归约(shift-reduce)方式进行语法解析,同时使用堆栈保存中间状态。简单的以一条 select 为例:
// 有引号的代表终结符,没有的代表非终结符。
SelectStmt:
// 代表从哪些表里获取到哪些字段
SelectFiled FromTable
SelectFiled:
// FieldList 代表着一个字段列表
“Select” FieldList
| “Select” “*”
FromTable:
// 从一个表列表中获取
“From” TableList
FieldList:
// FieldList 可以是某个字段,也可以是多个字段,利用递归可以扩展到无数字段
“Field”
| FieldList “,” “Field”
TableList:
// TableList同理
“Table”
| TableList “,” “Table”
复制代码
当语法分析器进行语法分析的时候,用 . 代表当前读取到的位置,以 SELECT * FROM test 为例:
SELECT . * FROM test
// 匹配到终结符SELECT,继续执行
→ SELECT * . FROM test
// 此时堆栈里的内容匹配到 SelectFiled,将 SELECT *弹出,SelectFiled 压入到堆栈
→ SelectFiled . FROM test
→ SelectFiled FROM . test
→ SelectFiled FROM test .
→ SelectFiled FROM TableList .
→ SelectFiled FromTable .
→ SelectStmt
复制代码
通过一系列的转换,我们就获得了一个 SelectStmt,而整个过程就可以构造一棵树,用于 SQL 解析。上述所示仅为一个简单的例子,真实使用的结构则会复杂的多。
三、SQL parser
开务数据库使用了 Goyacc 生成语法分析器,而 Lex 则是手写出来的,实现了 Goyacc 中要求的接口,对应 sql/pkg/sql/parser/scan.go pkg/sql/parser/lexer.go,实现了词法分析的功能。
语法分析器所对应的功能在 sql.y 文件下。该文件仍符合上文所述 Yacc 规则文件格式,但没有第三部分 subroutines,第一部分主要就是对一些 token、表达式、优先级、结合性的定义,其中有一个 union 结构体。
%union {
id int32
pos int32
str string
union sqlSymUnion
}
复制代码
该结构体会在 sql.go 生成文件里面生成一个对应的结构体,主要用来定义表达式和 token 的类型,存放解析过程中 token 的相关变量信息以及最后生成的 AST 信息。此外,还有一些对 token(终结符)和表达式(非终结符)的定义。
%token <str> IDENT SCONST BCONST BITCONST
…
%type <tree.Statement> stmt_block
%type <tree.Statement> stmt
…
%left AND
%right NOT
%left AND_AND
%nonassoc IS ISNULL NOTNULL
%nonassoc '<' '>' '=' LESS_EQUALS GREATER_EQUALS NOT_EQUALS
…
%%
复制代码
下面是关于 rule 的定义,以 create table 为例:
create_table_stmt:
CREATE opt_temp_create_table TABLE table_name '(' opt_table_elem_list ')' opt_interleave opt_partition_by opt_table_with opt_create_table_on_commit
{
name := $4.unresolvedObjectName().ToTableName()
$$.val = &tree.CreateTable{
Table: name,
IfNotExists: false,
Interleave: $8.interleave(),
Defs: $6.tblDefs(),
AsSource: nil,
PartitionBy: $9.partitionBy(),
Temporary: $2.persistenceType(),
StorageParams: $10.storageParams(),
OnCommit: $11.createTableOnCommitSetting(),
}
}
| CREATE opt_temp_create_table TABLE IF NOT EXISTS table_name '(' opt_table_elem_list ')' opt_interleave opt_partition_by opt_table_with opt_create_table_on_commit
{
name := $7.unresolvedObjectName().ToTableName()
$$.val = &tree.CreateTable{
Table: name,
IfNotExists: true,
Interleave: $11.interleave(),
Defs: $9.tblDefs(),
AsSource: nil,
PartitionBy: $12.partitionBy(),
Temporary: $2.persistenceType(),
StorageParams: $13.storageParams(),
OnCommit: $14.createTableOnCommitSetting(),
}
}
复制代码
可以看出,除了上述所说的一些终结符和非终结符外,还有一个大括号,大括号里面的内容就是当匹配时进行的一些操作,主要就是构建出所需要的 AST。
其中 1对应的就是匹配到的第一个字符,4 就是 table_name 这一部分,最后产生的 CreateTable 这个结构体就对应着 tree 包下的结构体。
type CreateTable struct {
IfNotExists bool
Table TableName
Interleave *InterleaveDef
PartitionBy *PartitionBy
Temporary bool
StorageParams StorageParams
OnCommit CreateTableOnCommitSetting
Defs TableDefs
AsSource *Select
}
复制代码
通过生成的 sql.go 中的 parse 就可以将 token-stream 生成一个 AST 对应的结构。
总结
以上就是开务数据库的 SQL parser 词法解析和语法解析部分,主要是语法解析部分使用 Goyacc 工具将 sql.y 中的规则生成对应的语法分析器,将词法分析器生成的 token-stream 解析成制定好的树结构。具备这些基础后,我们就可以进行语法的添加以及修改,增加更多的解析规则,为后续操作做好准备。
END
评论