PisaProxy之SQL解析实践

SQL 语句解析是一个重要且复杂的技术，数据库流量相关的 SQL 审计、读写分离、分片等功能都依赖于 SQL 解析，而 Pisa-Proxy 作为 Database Mesh 理念的一个实践，对数据库流量的治理是其核心，因此实现 SQL 解析是一项很重要的工作。本文将以 Pisa-Proxy 实践为例，为大家展现 Pisa-Proxy 中的 SQL 解析实现，遇到的问题及优化。

一、背景

关于语法分析

语法分析一般通过词法分析器，如 Flex，生成相应的 token，语法分析器通过分析 token，来判断是否满足定义的语法规则。

语法分析器一般会通过解析生成器生成。

语法分析算法常用的有以下：

• 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 更容易理解，错误处理更友好。

• 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 类似，在解析时比 LR 生成的状态更少，从而减少 Shift/Reduce 或者 Reduce/Reduce 冲突，被业界广泛使用的 bison/yacc 生成的就是基于 LALR 解析器。

关于调研

在开发 SQL 解析之初，我们从性能、维护性、开发效率、完成度四方面分别调研了 antlr_rust，sqlparser-rs，nom-sql 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，为了使用它的 Grammar，我们调研了 antlr_rust 项目，此项目不够活跃，成熟度不够高。

• sqlparser-rs

在 Rust 社区里，sqlparser-rs 项目是一个较为成熟的库，兼容各种 SQL 方言，Pisa-Proxy 在未来也会支持多种数据源，但是由于其词法和语法解析都是纯手工打造的，对我们来说会不易维护。

• nom-sql

nom-sql 是基于 nom 库实现的 SQL 解析器，但是未实现完整，性能测试不如预期。

• grmtools

Grmtools 是在寻找 Rust 相关的 Yacc 实现时发现的库，该库实现了兼容绝大部分 Yacc 功能，这样就可以复用 MySQL 官方的语法文件，但是需要手写 Lex 词法解析，经过对开发效率及完成度权衡后，我们决定做难且正确的事，实现自己的 SQL 解析器，快速实现一个 Demo 进行测试。

编码完成后，测试效果还不错。

总结如下：

最终我们选择了 Grmtools 来开发 Pisa-Proxy 中的 SQL 解析。

二、Grmtools 使用

使用 Grmtools 解析库大致分为两个步骤，下面以实现计算器为例。

1. 编写 Lex 和 Yacc 文件

Lex：创建 calc.l，内容如下：

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

Grammar：创建 calc.y 内容如下：

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

Term -> Result:
      Term "*" Factor { Ok($1? * $3?) }
    | Factor { $1 }
    ;

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

2. 构造词法和语法解析器

Grmtools 需要在编译时生成词法和语法解析器，因此需要创建 build.rs，其内容如下：

use cfgrammar::yacc::YaccKind;
use lrlex::CTLexerBuilder;
fn main() -> Result<(), Box> {
    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. 在应用中集成解析

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 = 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

上文已经提到，我们需要手写词法解析，是因为在原生的 Grmtools 中，词法解析是用正则匹配的，对于灵活复杂的 SQL 语句来说，不足以满足，因此需要手工打造词法解析，在 Grmtools 中实现自定义词法解析需要我们实现以下 Trait：

lrpar::NonStreamingLexer

另外也提供了一个方便的方法去实例化：

lrlex::LRNonStreamingLexer::new()

三、遇到的问题

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

1. Shift/Reduce 错误

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

这是使用 LALR 算法经常出现的错误，错误成因一般通过分析相关规则解决，例如常见的 If-Else 语句，规则如下：

%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，此时会有两种情况。

1）按第二条规则继续 Shift

2）按第一条规则进行 Reduce

这就是经典的 Shift/Reduce 错误。

回到我们的问题，有如以下规则：

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

分析：

方案：

需要设置优先级解决，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 包含中文问题

在使用词法解析时，.chars() 生成字符串数组会出现数组长度和字符长度不一致的情况，导致解析出错，要更改为 .as_bytes() 方法。

四、优化

1. 在空跑解析（测试代码见附录），不执行 action 的情况下，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：

可以看出在每次解析的时候都需要反序列化数据，在编译完之后，__GRM_DATA 和 __STABLE_DATA 是固定不变的, 因此 grm，stable 这两个参数可以作为函数参数传递，更改为如下：

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

再看代码，发现 actions 数组是有规律的，如以下：

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

因此我们可以手动构造函数，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，发现差异还是很大，省去了数组的相关开销，也能极大地减少内存使用。

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

但是随着 actions 数组的不断增大，会有大量的 je，jmp 指令，不清楚是否会影响 CPU 的分支预测，如影响是否可以通过 likely/unlikely 方式优化，目前还没有进行测试。

最终火焰图对比

最终测试结果

[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 解析背后的故事，后续我们会陆续为大家详细介绍 Yacc 语法规则的编写，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

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/

SphereEx 官网：https://www.sphere-ex.com