扩展 Spark SQL 解析

麒思妙想

发布于 2021-04-23 09:42:18

1K0

发布于 2021-04-23 09:42:18

文章被收录于专栏：麒思妙想

大家好久不见了，最近生活发生了很多变故，同时我也大病了一场，希望一切都尽快好起来吧。今天跟大家分享下Spark吧，谈谈如何修改Spark SQL解析，让其更符合你的业务逻辑。好，我们开始吧...

理论基础

ANTLR

Antlr4是一款开源的语法分析器生成工具，能够根据语法规则文件生成对应的语法分析器。现在很多流行的应用和开源项目里都有使用，比如Hadoop、Hive以及Spark等都在使用ANTLR来做语法分析。

ANTLR 语法识别一般分为二个阶段：

1.词法分析阶段（lexical analysis)

对应的分析程序叫做 lexer ，负责将符号（token）分组成符号类（token class or token type）

2.解析阶段

根据词法，构建出一棵分析树（parse tree）或叫语法树（syntax tree）

ANTLR的语法文件，非常像电路图，从入口到出口，每个Token就像电阻，连接线就是短路点。

**语法文件（*.g4）**

上面截图对应的语法文件片段，定义了两部分语法，一部分是显示表达式和赋值，另外一部分是运算和表达式定义。

stat:   expr NEWLINE                # printExpr
    |   ID '=' expr NEWLINE         # assign
    |   NEWLINE                     # blank
    ;

expr:   expr op=('*'|'/') expr      # MulDiv
    |   expr op=('+'|'-') expr      # AddSub
    |   INT                         # int
    |   ID                          # id
    |   '(' expr ')'                # parens
    ;

接下来，加上定义词法部分，就能形成完整的语法文件。

完整语法文件：

grammar LabeledExpr; // rename to distinguish from Expr.g4

prog:   stat+ ;

stat:   expr NEWLINE                # printExpr
    |   ID '=' expr NEWLINE         # assign
    |   NEWLINE                     # blank
    ;

expr:   expr op=('*'|'/') expr      # MulDiv
    |   expr op=('+'|'-') expr      # AddSub
    |   INT                         # int
    |   ID                          # id
    |   '(' expr ')'                # parens
    ;

MUL :   '*' ; // assigns token name to '*' used above in grammar
DIV :   '/' ;
ADD :   '+' ;
SUB :   '-' ;
ID  :   [a-zA-Z]+ ;      // match identifiers
INT :   [0-9]+ ;         // match integers
NEWLINE:'\r'? '\n' ;     // return newlines to parser (is end-statement signal)
WS  :   [ \t]+ -> skip ; // toss out whitespace

SqlBase.g4

Spark的语法文件，在sql下的catalyst模块里，如下图：

扩展语法定义

一条正常SQL，例如 Select t.id,t.name from t , 现在我们为其添加一个 JACKY表达式，令其出现在 Select 后面，形成一条语句

Select t.id,t.name JACKY(2) from t

我们先看一下正常的语法规则：

现在我们添加一个 jackyExpression

jackExpression 本身的规则就是 JACKY加上括号包裹的一个数字

将 JACKY 添加为token

修改语法文件如下：

jackyExpression
    : JACKY'('  number ')'
    //expression
    ;

namedExpression
    : expression (AS? (identifier | identifierList))?
    ;

namedExpressionSeq
    :  namedExpression (',' namedExpression | jackyExpression )*
    ;

扩展逻辑计划

经过上面的修改，就可以测试语法规则，是不是符合预期了，下面是一颗解析树,我们可以看到jackyExpression已经可以正常解析了。

Spark 执行流程

这里引用一张经典的Spark SQL架构图

我们输入的 SQL语句首先被解析成 Unresolved Logical Pan ，对应的是

给逻辑计划添加遍历方法：

  override def visitJackyExpression(ctx: JackyExpressionContext): String = withOrigin(ctx) {
    println("this is astbuilder jacky = "+ctx.number().getText)

    this.jacky = ctx.number().getText.toInt

    ctx.number().getText
  }

再处理namedExpression的时候，添加jackyExpression处理

    // Expressions.
    val expressions = Option(namedExpressionSeq).toSeq
      .flatMap(_.namedExpression.asScala)
      .map(typedVisit[Expression])


    //jackyExpression 处理
    if(namedExpressionSeq().jackyExpression()!=null && namedExpressionSeq().jackyExpression().size() > 0){
      visitJackyExpression(namedExpressionSeq().jackyExpression().get(0))
    }

好了，到这里从逻辑计划处理就完成了，有了逻辑计划，就可以在后续物理计划中添加相应的处理逻辑就可以了（还没研究明白... Orz）。

测试

测试用例

public class Case4 {
    public static void main(String[] args) {
        CharStream ca = CharStreams.fromString("SELECT  `b`.`id`,`b`.`class` JACKY(2)  FROM `b` LIMIT 10");
        SqlBaseLexer lexer = new SqlBaseLexer(ca);
        SqlBaseParser sqlBaseParser = new SqlBaseParser(new CommonTokenStream(lexer));
        ParseTree parseTree = sqlBaseParser.singleStatement();

        AstBuilder astBuilder = new AstBuilder();
        astBuilder.visit(parseTree);
        System.out.println(parseTree.toStringTree(sqlBaseParser));
        System.out.println(astBuilder.jacky());
    }
}

执行结果