自己实现一个SQL解析引擎

自己实现一个SQL解析引擎

2014-06-27 08:57:40        0 个评论     来源：[置顶] 自己实现一个SQL解析引擎  

收藏     我要投稿

自己实现一个SQL解析引擎

功能：将用户输入的SQL语句序列转换为一个可执行的操作序列，并返回查询的结果集。
SQL的解析引擎包括查询编译与查询优化和查询的运行，主要包括3个步骤：
查询分析：
制定逻辑查询计划（优化相关）
制定物理查询计划（优化相关）
查询分析： 将SQL语句表示成某种有用的语法树.
制定逻辑查询计划： 把语法树转换成一个关系代数表达式或者类似的结构，这个结构通常称作逻辑计划。
制定物理查询计划：把逻辑计划转换成物理查询计划，要求指定操作执行的顺序，每一步使用的算法，操作之间的传递方式等。
查询分析各模块主要函数间的调用关系:

图1.SQL引擎间模块的调用关系

FLEX简介

flex是一个词法分析工具，其输入为后缀为.l的文件,输出为.c的文件. 示例是一个类似Unix的单词统计程序wc。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

% option noyywrap %{      int chars = 0;      int words = 0;      int lines = 0; %}   %%   [_a-zA-Z][_a-zA-Z0-9]+ { words++; chars += strlen(yytext); } \n { chars++ ; lines++; } .  { chars++; }   %%   int main() {         yylex();         printf( "%8d %8d %8d\n" ,lines,words,chars);      return 0; }

.l文件通常分为3部分：

?

1 2 3 4 5 6 7 8

%{      definition %}   %%      rules %%      code

definition部分为定义部分，包括引入头文件，变量声明，函数声明，注释等，这部分会被原样拷贝到输出的.c文件中。

rules部分定义词法规则，使用正则表达式定义词法，后面大括号内则是扫描到对应词法时的动作代码。

code部分为C语言的代码。yylex为flex的函数，使用yylex开始扫描。

%option 指定flex扫描时的一些特性。yywrap通常在多文件扫描时定义使用。常用的一些选项有

noyywrap 不使用yywrap函数

yylineno 使用行号

case-insensitive 正则表达式规则大小写无关

flex文件的编译

?

1 2	flex  –o wc.c wc.l cc wc.c –o wc

Bison简介

Bison作为一个语法分析器，输入为一个.y的文件,输出为一个.h文件和一个.c文件。通常Bison需要使用Flex作为协同的词法分析器来获取记号流。Flex识别正则表达式来获取记号，Bison则分析这些记号基于逻辑规则进行组合。

计算器的示例：calc.y

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68

%{ #include <stdio.h> %}   %token NUMBER %token ADD SUB MUL DIV ABS %token OP CP %token EOL   %%   calclist:      | calclist exp EOL {printf( "=%d \n> " ,$2);}      | calclist EOL {printf( "> " );}      ; exp: factor      | exp ADD factor  {$$ = $1 + $3;}      | exp SUB factor  {$$ = $1 - $3;}      ; factor:term      | factor MUL term {$$ = $1 * $3;}      | factor DIV term {$$ = $1 / $3;}      ; term:NUMBER      | ABS term ABS { $$ = ($2 >= 0 ? $2 : -$2);}      | OP exp CP    { $$ = $2;}      ; %% int main( int argc, char *argv[]) {      printf( "> " );      yyparse();        return 0; } void yyerror( char *s) {      fprintf(stderr, "error:%s:\n" ,s); }   Flex与Bison共享记号，值通过yylval在Flex与Bison间传递。对应的.l文件为   % option noyywrap %{ #include "fb1-5.tab.h" #include <string.h> %}   %% "+" { return ADD ;} "-" { return SUB;} "*" { return MUL;} "/" { return DIV;} "|" { return ABS ;} "(" { return OP;} ")" { return CP;} [0-9]+ {                   yylval = atoi(yytext);                   return NUMBER;             }   \n { return EOL; } "//" .*   [ \t] {} "q" {exit(0);} .   { yyerror( "invalid char: %c\n;" ,*yytext); } %%

Bision文件编译

?

1 2 3

bison -d cacl.y flex cacl.l cc -o cacl cacl.tab.c lex.yy.c

通常，Bison默认是不可重入的，如果希望在yyparse结束后保留解析的语法树，可以采用两种方式，一种是增加一个全局变量，另一种则是设置一个额外参数，其中ParseResult可以是用户自己定义的结构体。

%parse-param {ParseResult *result}

在规则代码中可以引用该参数：

?

1 2	stmt_list: stmt ';'  { $$ = $1; result->result_tree = $$; } | stmt_list stmt ';' { $$ = (($2 != NULL )? $2 : $1); result->result_tree = $$;}

调用yyparse时则为：

ParseResult p;

yyparse(&p);

SQL解析引擎中的数据结构

语法树结构

在实现的时候可以把语法树和逻辑计划都看成是树结构和列表结构，而物理计划更像像是链式结构。树结构要注意区分叶子节点（也叫终止符节点）和非叶子节点（非终止符节点）。同时叶子节点和非叶子节点都可能有多种类型。

语法树的节点：包含两个部分，节点的类型的枚举值kind，表示节点值的联合体u，联合体中包含了各个节点所需的字段。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

typedef struct node{     NODEKIND kind;       union {           //...             /* query node */           struct{               int         distinct_opt;                struct node *limit;                struct node *select_list;                struct node *tbl_list;                struct node *where_clause;                struct node *group_clause;                struct node *having_clause;                struct node *order_clause;           } SELECT ;           /* delete node */          struct{              struct node *limit;              struct node * table ;              struct node *where_clause;              struct node *group_clause;           } DELETE ; /* relation node */            struct{                  char * db_name;                  char * tbl_name;                  char * alias_name;            } TABLE ;          //其他结构体     }u; }NODE ;

NODEKIND枚举了所有可能出现的节点类型.其定义为

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

typedef enum NODEKIND{      N_MIN,      /* const node*/      N_INT,    // int or long      N_FLOAT,  // float      N_STRING, //string      N_BOOL,   // true or false or unknown      N_NULL,   // null      /* var node*/      N_COLUMN, // colunm name      //其他类型      /*stmt node*/         N_SELECT,      N_INSERT,      N_REPLACE,      N_DELETE,      N_UPDATE,      //其他类型      N_MAX } NODEKIND;

在语法树中，分析树的叶子节点为数字，字符串，属性等，其他为内部节点。因此有些数据库的实现中将语法树的节点定义为如下的ParseNode结构。

?

1 2 3 4 5 6 7 8 9 10 11 12 13

typedef struct _ParseNode {    ObItemType   type_;//节点的类型，如T_STRING,T_SELECT等      /* 终止符节点，具有实际的值 */    int64_t      value_;    const char *  str_value_;      /* 非终止符节点，拥有多个孩子 */    int32_t      num_child_;//子节点的个数    struct _ParseNode** children_;//子节点指针链   } ParseNode;

逻辑计划结构

逻辑计划的内部节点是算子，叶子节点是关系.

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

typedef struct plannode{        PLANNODEKIND kind;        union {          /*stmt node*/          struct {              struct plannode *plan;          } SELECT ;            /*op node*/          struct {              struct plannode *rel;              struct plannode *filters; //list of filter          }SCAN;          struct {              struct plannode *rel;              NODE *expr_filter; //list of compare expr          }FILTER;          struct {              struct plannode *rel;              NODE *select_list;             }PROJECTION;          struct {              struct plannode * left ;              struct plannode * right ;          } JOIN ;          /*leaf node*/          struct {              NODE * table ;          }FILESCAN;          //其他类型节点         }u; }PLANNODE;

逻辑计划节点的类型PLANNODEKIND的枚举值如下：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

typedef enum PLANNODEKIND{      /*stmt node tags*/      PLAN_SELECT,      PLAN_INSERT,      PLAN_DELETE,      PLAN_UPDATE,      PLAN_REPLACE,      /*op node tags*/      PLAN_FILESCAN, /* Relation     关系，叶子节点 */      PLAN_SCAN,            PLAN_FILTER,   /* Selection  选择   */      PLAN_PROJ,     /* Projection 投影*/      PLAN_JOIN,     /* Join       连接 ，指等值连接*/      PLAN_DIST,     /* Duplicate elimination( Distinct) 消除重复*/      PLAN_GROUP,    /* Grouping   分组(包含了聚集)*/      PLAN_SORT,     /* Sorting    排序*/      PLAN_LIMIT,      /*support node tags*/      PLAN_LIST    }PLANNODEKIND;

物理计划结构

物理逻辑计划中关系扫描运算符为叶子节点，其他运算符为内部节点。拥有3个迭代器函数open,close,get_next_row。其定义如下：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

typedef int (*IntFun)(PhyOperator *); typedef int (*RowFun)(Row &row,PhyOperator *); struct phyoperator{      PHYOPNODEKIND kind;        IntFun open ;      IntFun close ;      RowFun get_next_row;//迭代函数        union {          struct {              struct phyoperator * inner ;              struct phyoperator *outter;              Row one_row;          }NESTLOOPJOIN;          struct {              struct phyoperator * inner ;              struct phyoperator *outter;          }HASHJOIN;          struct {              struct phyoperator * inner ;          }TABLESCAN;          struct {              struct phyoperator * inner ;              NODE * expr_filters;          }INDEXSCAN;          //其他类型的节点      }u; }PhyOperator;

物理查询计划的节点类型PHYOPNODEKIND枚举如下：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

typedef enum PHYOPNODEKIND{      /*stmt node tags*/      PHY_SELECT,      PHY_INSERT,      PHY_DELETE,      PHY_UPDATE,      PHY_REPLACE,      /*phyoperator node tags*/      PHY_TABLESCAN,      PHY_INDEXSCAN,      PHY_FILESCAN,      PHY_NESTLOOPJOIN,      PHY_HASHJOIN,      PHY_FILTER,      PHY_SORT,      PHY_DIST,      PHY_GROUP,      PHY_PROJECTION,      PHY_LIMIT }PHYOPNODEKIND;

节点内存池

可以看到分析树，逻辑计划树和物理查询树都是以指针为主的结构体，如果每次都动态从申请的话，会比较耗时。需要使用内存池的方式，一次性申请多个节点内存，供以后调用。下面是一种简单的方式，每次创建节点时都使用newnode函数即可。程序结束时再释放内存池即可。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

static NODE *nodepool = NULL ; static int MAXNODE = 256; static int nodeptr = 0;   NODE *newnode(NODEKIND kind) {      //首次使用时申请MAXNODE个节点      if(nodepool == NULL ){          nodepool = (NODE *)malloc(sizeof(NODE)*MAXNODE);          assert(nodepool);      }        assert(nodeptr <= MAXNODE);      //当节点个数等于MAXNODE时realloc扩展为原来的两倍节点      if (nodeptr == MAXNODE){          MAXNODE *= 2;          NODE *newpool = (NODE *)realloc(nodepool,sizeof(NODE)*MAXNODE) ;          assert(newpool);          nodepool = newpool;      }        NODE *n = nodepool + nodeptr;      n->kind = kind ;      ++nodeptr;        return n; }

查询分析

查询分析需要对查询语句进行词法分析和语法分析，构建语法树。词法分析是指识别SQL语句中的有意义的逻辑单元，如关键字（SELECT，INSERT等），数字，函数名等。语法分析则是根据语法规则将识别出来的词组合成有意义的语句。 词法分析工具LEX，语法分析工具为Yacc，在GNU的开源软件中对应的是Flex和Bison，通常都是搭配使用。

词法和语法分析

SQL引擎的词法分析和语法分析采用Flex和Bison生成，parse_sql为生成语法树的入口，调用bison的yyparse完成。源文件可以这样表示

文件	意义
parse_node.h parse_node.cpp	定义语法树节点结构和方法，入口函数为parse_sql
print_node.cpp	打印节点信息
psql.y	定义语法结构,由Bison语法书写
psql.l	定义词法结构,由Flex语法书写

SQL查询语句语法规则

熟悉Bison和Flex的用法之后，我们就可以利用Flex获取记号,Bison设计SQL查询语法规则。一个SQL查询的语句序列由多个语句组成，以分号隔开，单条的语句又有DML，DDL，功能语句之分。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14

stmt_list : stmt ‘;’ | stmt_list stmt ‘;’ ; stmt: ddl | dml    | unility | nothing ; dml: select_stmt   | insert_stmt   | delete_stmt   | update_stmt   | replace_stmt  ;

以DELETE 单表语法为例

?

1 2 3 4

DELETE  [ IGNORE ] [ FIRST | LAST row_count] FROM tbl_name [ WHERE where_definition]  [ ORDER BY ...]

用Bison可以表示为:

?

1 2 3 4 5 6 7 8 9 10 11 12 13

delete_stmt: DELETE opt_ignore opt_first FROM table_ident opt_where opt_groupby {             $$ = delete_node(N_DELETE,$3,$5,$6,$7); }  ; opt_ignore: /*empty*/              | IGNORE ;   opt_first: /* empty */ { $$ = NULL ;} | FIRST INTNUM { $$ = limit_node(N_LIMIT,0,$2);} | LAST INTNUM { $$ = limit_node(N_LIMIT,1,$2);} ;

然后在把opt_where,opt_groupby，table_ident等一直递归下去，直到不能在细分为止。

SQL语句分为DDL语句和DML语句和utility语句，其中只有DML语句需要制定执行计划，其他的语句转入功能模块执行。

制定逻辑计划

执行顺序

语法树转为逻辑计划时各算子存在先后顺序。以select语句为例，执行的顺序为：

FROM > WHERE > GROUP BY> HAVING > SELECT > DISTINCT > UNION > ORDER BY > LIMIT。

没有优化的逻辑计划应按照上述顺序逐步生成或者逆向生成。转为逻辑计划算子则对应为：

JOIN –> FILTER -> GROUP -> FILTER(HAVING) -> PROJECTION -> DIST -> UNION -> SORT -> LIMIT。

逻辑计划的优化

逻辑计划的优化需要更细一步的粒度，将FILTER对应的表达式拆分成多个原子表达式。如WHERE t1.a = t2.a AND t2.b = '1990'可以拆分成两个表达式：

1）t1.a = t2.a

2）t2.b = '1990'

不考虑谓词LIKE，IN的情况下，原子表达式实际上就是一个比较关系表达式，其节点为列名，数字，字符串，可以将原子表达式定义为

?

1 2 3 4 5 6

struct CompExpr {      NODE * attr_or_value;      NODE * attr_or_value;      CompOpType kind; };

CompOpType为“>”, ”<” ,”=”等各种比较操作符的枚举值。

如果表达式符合 attr comp value 或者 value comp attr，则可以将该原子表达式下推到对应的叶子节点之上，增加一个Filter。

如果是attr = value类型，且attr是关系的索引的话，则可以采用索引扫描IndexScan。

当计算三个或多个关系的并交时，先对最小的关系进行组合。

还有其他的优化方法可以进一步发掘。内存数据库与存储在磁盘上的数据库的代价估计不一样。根据处理查询时CPU和内存占用的代价，主要考虑以下一些因素：

查询读取的记录数；
结果是否排序(这可能会导致使用临时表)；
是否需要访问索引和原表。

制定物理计划

物理查询计划主要是完成一些算法选择的工作。如关系扫描运算符包括：

TableScan(R):按任意顺序读入所以存放在R中的元组。

SortScan(R,L):按顺序读入R的元组，并以列L的属性进行排列

IndexScan(R,C): 按照索引C读入R的元组。

根据不同的情况会选择不同的扫描方式。其他运算符包括投影运算Projection，选择运算Filter,连接运算包括嵌套连接运算NestLoopJoin，散列连接HashJoin，排序运算Sort等。

算法的一般策略包括基于排序的，基于散列的，或者基于索引的。

流水化操作与物化

由于查询的结果集可能会很大，超出缓冲区，同时为了能够提高查询的速度，各运算符都会支持流水化操作。流水化操作要求各运算符都有支持迭代操作，它们之间通过GetNext调用来节点执行的实际顺序。迭代器函数包括open,getnext,close3个函数。

设NestLoopJoin的两个运算符参数为R，S，NestLoopJoin的迭代器函数如下：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

void NestLoopJoin:: Open () {      R. Open ();      S. Open ();      r =R.GetNext(); } void NestLoopJoin::GetNext(tuple &t) {      Row r,s;      S.GetNext(s);      if(s.empty()){          S. Close ();          R.GetNext(r);          if(r.empty())              return ;          S. Open ();          S.GetNext(s);      }      t = join (r,s) } void NestLoopJoin:: Close () {          R. Close ();          S. Close (); }

如果TableScan，IndexScan，NestLoopJoin 3个运算符都支持迭代器函数。则图5中的连接NestLoopJoin(t1,t2’)可表示为：

phy = Projection(Filter(NestLoopJoin(TableScan(t1),IndexScan(t2’))));

执行物理计划时：

?

1 2 3 4 5

phy. Open (); while(!tuple.empty()){      phy.GetNext(tuple); } phy. Close ();

这种方式下，物理计划一次返回一行，执行的顺序由运算符的函数调用序列来确定。程序只需要1个缓冲区就可以向用户返回结果集。

也有些情况需要等待所有结果返回才进行下一步运算的，比如Sort , Dist运算，需要将整个结果集排好序后才能返回，这种情况称作物化，物化操作通常是在open函数中完成的。

一个完整的例子

接下来以一个例子为例表示各部分的结构，SQL命令：

SELECT t1.a,t2.b FROM t1,t2 WHERE t1.a = t2.a AND t2.b = '1990';

其对应的分析树为：

图2. SQL例句对应的分析树

分析树的叶子节点为数字，字符串，属性等，其他为内部节点。

将图2的分析树转化为逻辑计划树，如图3所示。

图3. 图2分析树对应的逻辑计划

逻辑计划是关系代数的一种体现，关系代数拥有种基本运算符：投影 (π)，选择 (σ)，自然连接 (?)，聚集运算(G)等算子。因此逻辑计划也拥有这些类型的节点。

逻辑计划的内部节点是算子，叶子节点是关系，子树是子表达式。各算子中最耗时的为连接运算，因此SQL查询优化的很大一部分工作是减小连接的大小。如图3对应的逻辑计划可优化为图4所示的逻辑计划。

图4. 图3优化后的逻辑计划

完成逻辑计划的优化后，在将逻辑计划转化为物理查询计划。图4的逻辑计划对应的物理查询计划如下：

图5. 图4对应的物理查询计划

物理查询计划针对逻辑计划中的每一个算子拥有对应的1个或多个运算符，生成物理查询计划是基于不同的策略选择合适的运算符进行运算。其中，关系扫描运算符为叶子节点，其他运算符为内部节点。

后记

开源的数据库代码中可以下载OceanBase或者RedBase。OceanBase 是淘宝的开源数据库，RedBase是斯坦福大学数据库系统实现课程的一个开源项目。后面这两个项目都是较近开始的项目，代码量较少，结构较清晰，相对简单易读，在github上都能找到。但是OceanBase目前SQL解析部分也没有全部完成，只有DML部分完成；RedBase设计更简单，不过没有设计逻辑计划。

本文中就是参考了RedBase的方式进行解析。

参考文献：

《数据库系统实现》

《flex与bison》

出处：http://www.2cto.com/database/201406/311993.html