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运行的操作序列，并返回查询的结果集。

SQL的解析引擎包含查询编译与查询优化和查询的执行，主要包含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语句表示成某种实用的语法树.
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，要求指定操作运行的顺序，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简单介绍

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. 演示样例是一个类似Unix的单词统计程序

wc

。

%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：

%{
definition
%}

%%
rules
%%
code

definition

部分为定义部分，包含引入头文件，变量声明，函数声明，凝视等，这部分会被原样复制到输出的.c文件里。

rules

部分定义词法规则，使用正則表達式定义词法，后面大括号内则是扫描到相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

開始扫描。

%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。经常使用的一些选项有

noyywrap

不使用yywrap函数

yylineno

使用行号

case-insensitive

正則表達式规则大写和小写无关

flex文件的编译

flex  –o wc.c wc.l
cc wc.c –o wc

Bison简单介绍

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须要使用Flex作为协同的词法分析器来获取记号流。Flex识别正則表達式来获取记号，Bison则分析这些记号基于逻辑规则进行组合。

计算器的演示样例：calc.y

%{
#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。相应的.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

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，假设希望在

yyparse

结束后保留解析的语法树，能够採用两种方式，一种是添加一个全局变量，还有一种则是设置一个额外參数，当中ParseResult能够是用户自定义的结构体。

%parse-param {ParseResult *result}

在规则代码中能够引用该參数：

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

在实现的时候能够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）。同一时候叶子节点和非叶子节点都可能有多种类型。

语法树的节点：包括两个部分，节点的类型的枚举值kind，表示节点值的联合体u，联合体中包括了各个节点所需的字段。

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;
//其它结构体
}u;
}NODE ;

NODEKIND枚举了全部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
//其它类型
/*stmt node*/
N_SELECT,
N_INSERT,
N_REPLACE,
N_DELETE,
N_UPDATE,
//其它类型
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，其它为内部节点。因此有些数据库的实现中将语法树的节点定义为例如以下的ParseNode结构。

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.

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;
//其它类型节点
}u;
}PLANNODE;

逻辑计划节点的类型PLANNODEKIND的枚举值例如以下：

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) 消除反复*/
PLAN_GROUP,    /* Grouping   分组(包括了聚集)*/
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，其它运算符为内部节点。拥有3个迭代器函数open,close,get_next_row。其定义例如以下：

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;
//其它类型的节点
}u;
}PhyOperator;

物理查询计划的节点类型PHYOPNODEKIND枚举例如以下：

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

能够看到分析树，逻辑计划树和物理查询树都是以指针为主的结构体，假设每次都动态从申请的话，会比較耗时。须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。以下是一种简单的方式，每次创建节点时都使用newnode函数就可以。程序结束时再释放内存池就可以。

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

查询分析须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keyword（SELECT，INSERT等），数字，函数名等。语法分析则是依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的开源软件中相应的是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採用Flex和Bison生成，parse_sql为生成语法树的入口，调用bison的yyparse完毕。源文件能够这样表示

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的使用方法之后，我们就能够利用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

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

用Bison能够表示为:

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，当中仅仅有DML语句须要制定运行计划，其它的语句转入功能模块运行。

制定逻辑计划

运行顺序

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，运行的顺序为：

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

。

没有优化的逻辑计划应依照上述顺序逐步生成或者逆向生成。转为逻辑计划算子则相应为：

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

。

逻辑计划的优化

逻辑计划的优化须要更细一步的粒度，将FILTER相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'

能够拆分成两个表达式：

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較关系表达式，其节点为列名，数字，字符串，能够将原子表达式定义为

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

CompOpType为“>”, ”<” ,”=”等各种比較操作符的枚举值。

假设表达式符合 attr comp value 或者 value comp attr，则能够将该原子表达式下推到相应的叶子节点之上，添加一个Filter。

假设是attr = value类型，且attr是关系的索引的话，则能够採用索引扫描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。

还有其它的优化方法能够进一步发掘。内存数据库与存储在磁盘上的数据库的代价预计不一样。依据处理查询时CPU和内存占用的代价，主要考虑下面一些因素：

查询读取的记录数；
结果是否排序(这可能会导致使用暂时表)；
是否须要訪问索引和原表。

制定物理计划

物理查询计划主要是完毕一些算法选择的工作。如关系扫描运算符包含：

TableScan(R)

:按随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)

: 依照索引C读入R的元组。

依据不同的情况会选择不同的扫描方式。其它运算符包含投影运算

Projection

，选择运算

Filter

,连接运算包含嵌套连接运算

NestLoopJoin

，散列连接

HashJoin

，排序运算

Sort

等。

算法的一般策略包含基于排序的，基于散列的，或者基于索引的。

流水化操作与物化

因为查询的结果集可能会非常大，超出缓冲区，同一时候为了可以提高查询的速度，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调用来节点运行的实际顺序。迭代器函数包含open,getnext,close3个函数。

设

NestLoopJoin

的两个运算符參数为R，S，

NestLoopJoin

的迭代器函数例如以下：

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();
}

假设

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’))));

运行物理计划时：

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

这样的方式下，物理计划一次返回一行，运行的顺序由运算符的函数调用序列来确定。程序仅仅须要1个缓冲区就能够向用户返回结果集。

也有些情况须要等待全部结果返回才进行下一步运算的，比方

Sort , Dist

运算，须要将整个结果集排好序后才干返回，这样的情况称作物化，物化操作一般是在open函数中完毕的。

一个完整的样例

接下来以一个样例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';

其相应的分析树为：



图2. SQL例句相应的分析树

分析树的叶子节点为数字，字符串，属性等，其它为内部节点。

将图2的分析树转化为逻辑计划树，如图3所看到的。



图3. 图2分析树相应的逻辑计划

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查询优化的非常大一部分工作是减小连接的大小。如图3相应的逻辑计划可优化为图4所看到的的逻辑计划。



图4. 图3优化后的逻辑计划

完毕逻辑计划的优化后，在将逻辑计划转化为物理查询计划。图4的逻辑计划相应的物理查询计划例如以下：



图5. 图4相应的物理查询计划

物理查询计划针对逻辑计划中的每个算子拥有相应的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。当中，关系扫描运算符为叶子节点，其它运算符为内部节点。

后记

开源的数据库代码中能够下载

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開始的项目，代码量较少，结构较清晰，相对简单易读，在github上都能找到。可是OceanBase眼下SQL解析部分也没有所有完毕，仅仅有DML部分完毕；RedBase设计更简单，只是没有设计逻辑计划。

本文中就是參考了RedBase的方式进行解析。

參考文献：

《数据库系统实现》

《flex与bison》

欢迎光临我的站点----蝴蝶忽然的博客园----人既无名的专栏。

假设阅读本文过程中有不论什么问题，请联系作者，转载请注明出处！