自己实现一个SQL解析引擎

最新推荐文章于 2023-05-11 19:12:45 发布

生命沉思者

最新推荐文章于 2023-05-11 19:12:45 发布

阅读量9.3k

点赞数 3

分类专栏： SQL语言 C++

SQL语言同时被 2 个专栏收录

8 篇文章 0 订阅

订阅专栏

C++

3 篇文章 0 订阅

订阅专栏

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

[cpp]view plain copy
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 plain copy
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 plain copy
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 plain copy
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 plain copy
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 plain copy
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 plain copy
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 plain copy
DELETE  [IGNORE] [FIRST|LAST row_count]   
FROM tbl_name   
[WHERE where_definition]    
[ORDER BY ...]  

用Bison可以表示为:

[plain]view plain copy
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 plain copy
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 plain copy
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 plain copy
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》

http://blog.csdn.net/qq910894904/article/details/34861173

生命沉思者

关注

3
点赞
踩
14

收藏

觉得还不错? 一键收藏
1
评论
自己实现一个SQL解析引擎

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...
复制链接

扫一扫