关于sql语句:PisaProxy-之-SQL-解析实践

SQL 语句解析是一个重要且简单的技术，数据库流量相干的 SQL 审计、读写拆散、分片等性能都依赖于 SQL 解析，而 Pisa-Proxy 作为 Database Mesh 理念的一个实际，对数据库流量的治理是其外围，因而实现 SQL 解析是一项很重要的工作。 本文将以 Pisa-Proxy 实际为例，为大家展示 Pisa-Proxy 中的 SQL 解析实现，遇到的问题及优化。

一、背景

对于语法分析

语法分析个别通过词法分析器，如 Flex，生成相应的 token，语法分析器通过剖析 token，来判断是否满足定义的语法规定。

语法分析器个别会通过解析生成器生成。

语法分析算法罕用的有以下：

• LL（自上而下）

与上下文无关文法，从左到右扫描，从最左推导语法树，相比 LR 更容易了解，错误处理更敌对。

• LR（自下而上）

与上下文无关文法，从左到右扫描，从最右节点推导语法树，相比 LL 速度快。

• LALR

与 LR 相似，在解析时比 LR 生成的状态更少，从而缩小 Shift/Reduce 或者 Reduce/Reduce 抵触，被业界宽泛应用的 bison/yacc 生成的就是基于 LALR 解析器。

对于调研

在开发 SQL 解析之初，咱们从性能、维护性、开发效率、完成度四方面别离调研了 antlr_rust，sqlparser-rs，nom-sql 我的项目，但都存在一些问题。

• antlr_rust

ShardingSphere 实现了基于 Antlr 的不同的 SQL 方言解析，为了应用它的 Grammar，咱们调研了 antlr_rust 我的项目，此我的项目不够沉闷，成熟度不够高。

• sqlparser-rs

在 Rust 社区里，sqlparser-rs 我的项目是一个较为成熟的库，兼容各种 SQL 方言，Pisa-Proxy 在将来也会反对多种数据源，然而因为其词法和语法解析都是纯手工打造的，对咱们来说会不易保护。

• nom-sql

nom-sql 是基于 nom 库实现的 SQL 解析器，然而未实现残缺，性能测试不如预期。

• grmtools

Grmtools 是在寻找 Rust 相干的 Yacc 实现时发现的库，该库实现了兼容绝大部分 Yacc 性能，这样就能够复用 MySQL 官网的语法文件，然而须要手写 Lex 词法解析，通过对开发效率及完成度衡量后，咱们决定做难且正确的事，实现本人的 SQL 解析器，疾速实现一个 Demo 进行测试。

编码实现后，测试成果还不错。

总结如下：

最终咱们抉择了 Grmtools 来开发 Pisa-Proxy 中的 SQL 解析。

二、Grmtools 应用

应用 Grmtools 解析库大抵分为两个步骤，上面以实现计算器为例。

1. 编写 Lex 和 Yacc 文件

Lex：创立 calc.l，内容如下：

/%%
[0-9]+ "INT"
\+ "+"
\* "*"
\( "("
\) ")"
[\t]+ ;

Grammar：创立 calc.y 内容如下：

%start Expr
%avoid_insert "INT"
%%
Expr -> Result<u64, ()>:
      Expr '+' Term {Ok($1? + $3?) }
    | Term {$1}
    ;

Term -> Result<u64, ()>:
      Term '*' Factor {Ok($1? * $3?) }
    | Factor {$1}
    ;

Factor -> Result<u64, ()>:
      '(' Expr ')' {$2}
    | 'INT'
      {let v = $1.map_err(|_| ())?;
          parse_int($lexer.span_str(v.span()))
      }
    ;
%%

2. 结构词法和语法解析器

Grmtools 须要在编译时生成词法和语法解析器，因而须要创立 build.rs，其内容如下：

use cfgrammar::yacc::YaccKind;
use lrlex::CTLexerBuilder;
fn main() -> Result<(), Box<dyn std::error::Error>> {CTLexerBuilder::new()
        .lrpar_config(|ctp| {ctp.yacckind(YaccKind::Grmtools)
                .grammar_in_src_dir("calc.y")
                .unwrap()})
        .lexer_in_src_dir("calc.l")?
        .build()?;
    Ok(())
}

3. 在利用中集成解析

use std::env;

use lrlex::lrlex_mod;
use lrpar::lrpar_mod;

// Using `lrlex_mod!` brings the lexer for `calc.l` into scope. By default the
// module name will be `calc_l` (i.e. the file name, minus any extensions,
// with a suffix of `_l`).
lrlex_mod!("calc.l");
// Using `lrpar_mod!` brings the parser for `calc.y` into scope. By default the
// module name will be `calc_y` (i.e. the file name, minus any extensions,
// with a suffix of `_y`).
lrpar_mod!("calc.y");

fn main() {
    // Get the `LexerDef` for the `calc` language.
    let lexerdef = calc_l::lexerdef();
    let args: Vec<String> = env::args().collect();
    // Now we create a lexer with the `lexer` method with which we can lex an
    // input.
    let lexer = lexerdef.lexer(&args[1]);
    // Pass the lexer to the parser and lex and parse the input.
    let (res, errs) = calc_y::parse(&lexer);
    for e in errs {println!("{}", e.pp(&lexer, &calc_y::token_epp));
    }
    match res {Some(r) => println!("Result: {:?}", r),
        _ => eprintln!("Unable to evaluate expression.")
    }
}

详见: grmtools – grmtools

上文曾经提到，咱们须要手写词法解析，是因为在原生的 Grmtools 中，词法解析是用正则匹配的，对于灵便简单的 SQL 语句来说，不足以满足，因而须要手工打造词法解析，在 Grmtools 中实现自定义词法解析须要咱们实现以下 Trait：

lrpar::NonStreamingLexer

另外也提供了一个不便的办法去实例化：

lrlex::LRNonStreamingLexer::new()

三、遇到的问题

基于以上，咱们开发了 SQL 词法解析，复用了 MySQL 官网的 sql_yacc 文件，在开发过程中，也遇到了以下问题。

1. Shift/Reduce 谬误

Shift/Reduce conflicts:
     State 619: Shift("TEXT_STRING") / Reduce(literal: "text_literal")

这是应用 LALR 算法经常出现的谬误，谬误成因个别通过剖析相干规定解决，例如常见的 If-Else 语句，规定如下：

%nonassoc LOWER_THEN_ELSE 
%nonassoc ELSE 
stmt: 
    IF expr stmt %prec LOWER_THEN_ELSE
  | IF expr stmt ELSE stmt

当 ELSE 被扫描入栈时，此时会有两种状况。

1）按第二条规定持续 Shift

2）按第一条规定进行 Reduce

这就是经典的 Shift/Reduce 谬误。

回到咱们的问题，有如以下规定：

literal -> String:
    text_literal 
    { }
  | NUM_literal  
    { }
 ...
 
 text_literal -> String:
    'TEXT_STRING' {}
  | 'NCHAR_STRING' {}
  | text_literal 'TEXT_STRING' {}
 ...

剖析：

计划：

须要设置优先级解决，给 text_literal 设置更低的优先级，如以下：

%nonassoc 'LOWER_THEN_TEXT_STRING'
%nonassoc 'TEXT_STRING'


literal -> String:
    text_literal  %prec 'LOWER_THEN_TEXT_STRING' 
    { }
  | NUM_literal  
    { }
 ...
 
 text_literal -> String:
    'TEXT_STRING' {}
  | 'NCHAR_STRING' {}
  | text_literal 'TEXT_STRING' {}
 ...

2. SQL 蕴含中文问题

在应用词法解析时，.chars() 生成字符串数组会呈现数组长度和字符长度不统一的状况，导致解析出错，要更改为 .as_bytes() 办法。

四、优化

1. 在空跑解析（测试代码见附录），不执行 action 的状况下，性能如下：

[mworks@fedora examples]$ time ./parser

real        0m4.788s
user        0m4.781s
sys         0m0.002s

尝试优化，以下是火焰图：

通过火焰图发现，大部分 CPU 耗时在序列化和反序列化，以下是定位到的代码：

能够看出在每次解析的时候都须要反序列化数据，在编译完之后，__GRM_DATA 和 __STABLE_DATA 是固定不变的, 因而 grm，stable 这两个参数能够作为函数参数传递，更改为如下：

2. 再剖析，每次解析的时候，都会初始化一个 actions 的数组，随着 grammar 中语法规定的增多，actions 的数组也会随之增大，且数组元素类型是 dyn trait 的援用，在运行时是有开销的。

再看代码，发现 actions 数组是有法则的，如以下：

::std::vec![&__gt_wrapper_0,
               &__gt_wrapper_1,
               &__gt_wrapper_2,
               ...
            ]

因而咱们能够手动构造函数，以下是伪代码：

match idx {0 => __gt_wrapper_0(),
    1 => __gt_wrapper_1(),
    2 => __gt_wrapper_2(),
    ....
}

通过 gobolt 查看汇编，发现差别还是很大，省去了数组的相干开销，也能极大地缩小内存应用。

详见：https://rust.godbolt.org/z/zTjW479f6

然而随着 actions 数组的一直增大，会有大量的 je，jmp 指令，不分明是否会影响 CPU 的分支预测，如影响是否能够通过 likely/unlikely 形式优化，目前还没有进行测试。

最终火焰图比照

最终测试后果

[mworks@fedora examples]$ time ./parser

real        0m2.677s
user        0m2.667s
sys         0m0.007s

五、总结

本文为 Pisa-Proxy SQL 解析解读系列第一篇，介绍了在 Pisa-Proxy 中开发 SQL 解析背地的故事，后续咱们会陆续为大家具体介绍 Yacc 语法规定的编写，Grmtools 中组件及实用工具等内容，敬请期待。

附录

Pisa-Proxy 的 SQL 解析代码：

pisanix/pisa-proxy/parser/mysql at master · database-mesh/pisan

测试代码

    let input = "select id, name from t where id = ?;"
    let p = parser::Parser::new();
    for _ in 0..1_000_000
    {let _ = p.parse(input);
    }

Pisanix

我的项目地址：https://github.com/database-mesh/pisanix

官网地址：https://www.pisanix.io/

Database Mesh：https://www.database-mesh.io/