在前一篇文章中《浅析构建SQL-to-SQL的翻译器》,我简单的阐述整体的思想。很高兴借此认识了一些新的小伙伴,并且进行了深入的探讨。
今天我们再来做一些进一步的思考,然后再加入一点想象力,看看是否可以将深度学习引入到这个过程中来呢?接下来,我们就来说说吧。
常规
显而易见的,我们有几条路可以选,
解析阶段转换
即在源SQL输入进行语法解析的时候,同时构建目标SQL的AST。
遍历阶段转换
即在遍历源AST的时候,构建目标SQL的AST。
直接转换
即直接将源AST硬转成目标AST。
在这里,我描述的尽量简化,但是实际上,我们都很难一次性完成转换工作,需要结合上下文进行相关的语义转换。而且我们可能在转换过程中,需要构建一套“中立”的AST,用于抽象和存储各种SQL方言特性。然后再进一步转化。
我们以durid的parser为例,对ast api进行一些扩展,以存储上下文,以及记录转换变更,以便溯源。
NLP
上面,我们介绍了一些常规手段,接下来就是我最近的一点思考,也是偶然读到了几篇关于NL2SQL的文章受其启发,所想到的。
NL2SQL(Natural Language to SQL), 顾名思义,是将自然语言转为SQL语句。它可以充当数据库的智能接口,让不熟悉数据库的用户能够快速地找到自己想要的数据。
既然NLP能做到自然语言翻译成SQL,为什么不能在 SQL-to-SQL 的翻译上做一些工作呢?
这方面,我们需要做的探索,目前我理解如下:
SQL的分词和词性划分,与自然语句分词不同
SQL的语法与自然语言不同。
SQL-to-SQL 部分为强规则,部分需要理解执行语义
好了,今天就先写到这,欢迎有兴趣的同学和我交流。如果本文对你有一点点帮助,那么非常期望你能关注我,并转发。
参考链接
https://spaces.ac.cn/archives/6771
http://www.itongji.cn/detail?type=99991958
https://www.zhihu.com/question/24588198?sort=created
关注 【 麒思妙想】解锁更多硬核。
历史文章导读:
如果文章对您有那么一点点帮助,我将倍感荣幸
欢迎 关注、在看、点赞、转发