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

最新推荐文章于 2024-09-09 13:57:56 发布

hanfazy

最新推荐文章于 2024-09-09 13:57:56 发布

阅读量1.5k

点赞数 2

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。

[cpp]view plaincopy 
   
 %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：

[cpp]view plaincopy 
   
 %{  
     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

[cpp]view plaincopy 
   
 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

[cpp]view plaincopy 
   
 %{  
 #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

[cpp]view plaincopy 
   
 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：

[cpp]view plaincopy 
   
stmt_list: stmt ';'  {  
     
      =$1;result−>resulttree= 
      
 ; }  
| stmt_list stmt ';' {  
     
      =(($2!=NULL)?$2:$1);result−>resulttree= 
      
 ;}  
stmt_list: stmt ';'  {  
     
      =$1;result−>resulttree= 
      
 ; }  
| stmt_list stmt ';' {  
     
      =(($2!=NULL)?$2:$1);result−>resulttree= 
      
 ;}

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。

[cpp]view plaincopy 
   
 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  
   
 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。

[cpp]view plaincopy 
   
 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.

[cpp]view plaincopy 
   
 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：

[cpp]view plaincopy 
   
 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：

[cpp]view plaincopy 
   
 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：

[cpp]view plaincopy 
   
 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。

[cpp]view plaincopy 
   
 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。

    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

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

用Bison可以表示为:

[plain]view plaincopy 
   
 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

[cpp]view plaincopy 
   
 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：

[cpp]view plaincopy 
   
 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：

[cpp]view plaincopy 
   
 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。