Byzer 底层原理: SQL 层面的扩展是如何实现的

本文链接：https://blog.csdn.net/m0_58032574/article/details/123077427

Why make wheels ？

“宇宙的尽头是SQL！”，相信从 MapReduce 时代过渡过来的开发，在第一次接触分布式 SQL 引擎都会惊叹出这句话。低代码化的潮流，让 SQL 语言快速蔓延到更多的基础设施上面。但不得不说，SQL 也存在它的短板，首先它最早为了关系型数据库设计的，适合查询而非 ETL，但是现在人们慢慢把他扩展到 ETL，批流处理，甚至 AI 上，它就有点吃力了。第二个问题是，他是声明式的，导致缺乏可编程性。

“一只通晓万物的白泽诞生”，Byzer 以 DATA+AI 为核心理念，语法中融合了类 SQL 语法和宏命令，开创性的制定了一套核心 API*，*简单易用又不失灵活性。

从数据处理的角度看，它具备丰富、多样性的数据源扩展和 ET 扩展；
从特征工程和机器学习的角度看，语言原生支持模型的训练、部署、预测全流程（train/register/predict），几行代码完成一个模型开发。

通过Byzer，开发人员可以只关注业务逻辑，学习成本低，容易理解，而且内置了很多扩展插件，还有功能强大的 Web UI，可以简化开发复杂度。

在这里插入图片描述

How is it designed ?

我们在前面文章《ET 开发指南》中演示了 ET 的设计和如何自定义一个 ET，并详细的介绍了一些 ET 如何在真实场景中解决我们数据和 ML 的业务问题。在惊叹于 Byzer-lang 如此灵活的同时，作为开发者一定会很好奇其内部的实现原理，接下来让我们一探其究吧！

基本概念

我们先来看一下解析器生成器的一些基本概念。

抽象语法树 (Abstract Syntax Tree，AST) 抽象语法树是源代码结构的一种抽象表示，它以树的形状表示语言的语法结构。抽象语法树一般可以用来进行代码语法的检查，代码风格的检查，代码的格式化，代码的高亮，代码的错误提示以及代码的自动补全等等。
语法解析器 (Parser) 语法解析器通常作为编译器或解释器出现。它的作用是进行语法检查，并构建由输入单词(Token)组成的数据结构(即抽象语法树)。语法解析器通常使用词法分析器(Lexer)从输入字符流中分离出一个个的单词(Token)，并将单词(Token)流作为其输入。实际开发中，语法解析器可以手工编写，也可以使用工具自动生成。
词法分析器 (Lexer) 词法分析是指在计算机科学中，将字符序列转换为单词(Token)的过程。执行词法分析的程序便称为词法分析器。词法分析器(Lexer)一般是用来供语法解析器(Parser)调用的。

我们再看下上述概念如何在 Byzer-lang 的语法解析器中运用。

在 Byzer-lang 中我们将一套完整的 SQ L词法和语法规则定义在 DSLSQL.G4 文件中，内容是使用标准的 antlr4 语法定义的 DSL，antlr4 会基于我们的语法规则 codegen 成相应的代码。

在 Byzer-lang中解析一条代码的大概流程如下：

一条代码经过词法解析器 DSLSQLLexer 生成一系列的 TokenStream，传递到语法解析器DSLSQLParser 中生成 AST。DSLSQLParser 部分我们其实没有使用 AST，本质上是 codegen 生成的。而 Byzer expression（就是if/ese 里面的表达式则完整走了整个流程，里面是有 AST 部分的，并且AST 会被 codegen 成 SQL 引擎能执行的 SQL。

另外，Byzer-lang 中的语法提示复用了Byzer-lang 的 lexer 和 Spark SQL 的 lexer，重写了parser 部分。因为代码提示有一个特点是在书写过程中，大部分情况下语法都是错误的、未书写完成的，无法使用严格的 parser 来进行解析。因此我们结合了 spark 的 schema infer，以及重写了 SQL 的解析器，所以可以做到很好的效果。

由于本篇文章重点是讲解 ET 处理流程，antlr4 就介绍到这里，我们会在后续文章中揭秘我们的语法解析的实现内幕。

技术架构

在这里插入图片描述

架构图释义：

Byzer-lang 通过控制台（ Byzer Notebook 或 Byzer Desktop）来完成任务开发、数据湖管理、系统配置、运行记录等操作。任务开发支持任务执行（query）、语法解析（analyze）、语法提示（suggestion）；
Byzer-lang 支持多种 API 交互方式，可以和上层 Byzer Notebook 通信，包括的方式有：JDBC、HTTP、LSP 协议（language server protocol）、CLI；
Byzer-lang 核心的包含了 Byzer-lexer, Byzer-parser, Byzer-codegen 三个部分。其中 Byzer-lexer/Byzer-parser 使用的解析器生成器为 antlr4，完全兼容 Spark SQL语法；另外!if分支语法使用的自研的 Byzer expression，这样可以不局限于 antlr4 框架的 DSL 限制，实现比如谓词下推的一些语法层面优化；codegen 是指 Byzer-lang 中的 adaptor 系列，比如：TrainAdaptor、SelectAdaptor 等，Adaptor 的具体功能，会在原理解析中介绍。
开发者们提交过来执行的类 SQL 代码，最终会执行在 Byzer 的运行时引擎上面，根据代码的调用方式，分别提交到 Spark 和 Ray 引擎上面执行，除了这两个，Byzer 还支持 Java 或者 Scala 代码的本地执行。

原理解析

我们还以上面邮件服务为例，其 Byzer 语句为：

run command as SendMessage.``

where method="mail"

and content="${EMAIL_BODY}"

and from = "userAccountNumber@qq.com"

and to = "${EMAIL_TO}"

and subject = "${EMAIL_TITLE}"

and contentType="text/html"

and attachmentContentType="text/csv"

and attachmentPaths="${savePath}"

and smtpHost = "smtp.qq.com"

and smtpPort="587"

and `userName`="userAccountNumber@qq.com"

and password="***"

;

SendMessage 是我们提供的一个内置ET，Byzer-lang在语法设计的时候预留了足够的扩展性，我们可以很容易的使用ET的接口新增新的ET满足我们的定制化需求。如需了解ET的接入方式，请参考文章：

用户在 Byzer Notebook编写完一个代码后，点击执行（run）会提交到运行态引擎Byzer-lang的RestController，根据代码处理类型等配置交给JobManager进行同步或异步管理任务。代码会传递给ScriptSQLExec执行器，在执行器中会调用DSLSQLLexer和DSLSQLParser做语法解析。

由于我们使用的是观察者模式（Antlr4支持观察者模式被动触发语法解析，还支持访问者模式由开发者主动触发语法解析），需要传递我们生成好的ScriptSQLExecListener到Antlr4解析器中。

语法解析后会触发Listener的回调函数exitSql。在exitSql我们根据AST中Token的关键词确定当前执行的语法，run语法会使用TrainAdaptor执行对应ET SendMessage的train方法，这样就访问到了我们在ET中定义的train逻辑进行发送邮件了。由于Byzer中的ET，实际上就是定义了对表操作的扩展接口（SQLAlg），通过实现接口，我们可以在代码中定义具体的ET处理逻辑，实现表进表出的概念 —— 输入一张表，通过ET加工后输出一张表。在邮件工具中，我们的输出就是邮件内容和邮件的附件。