精读《手写 SQL 编译器 - 语法分析》

栏目: 服务器 · 编程工具 · 发布时间: 5年前

内容简介：接着上周的文法介绍，本周介绍的是语法分析。以解析顺序为角度，语法分析分为两种，自顶而下与自底而上。自顶而下一般采用递归下降方式处理，称为 LL(k)，第一个 L 是指从左到右分析，第二个 L 指从左开始推导，k 是指超前查看的数量，如果实现了回溯功能，k 就是无限大的，所以带有回溯功能的 LL(k) 几乎是最强大的。LL 系列一般分为 LL(0)、LL(1)、LL(k)、LL(∞)。

1 引言

接着上周的文法介绍，本周介绍的是语法分析。

以解析顺序为角度，语法分析分为两种，自顶而下与自底而上。

自顶而下一般采用递归下降方式处理，称为 LL(k)，第一个 L 是指从左到右分析，第二个 L 指从左开始推导，k 是指超前查看的数量，如果实现了回溯功能，k 就是无限大的，所以带有回溯功能的 LL(k) 几乎是最强大的。LL 系列一般分为 LL(0)、LL(1)、LL(k)、LL(∞)。

自底而上一般采用移进（shift）规约（reduce）方式处理，称为 LR，第一个 L 也是从左到右分析，第二个 R 指从右开始推导，而规约时可能产生冲突，所以通过超前查看一个符号解决冲突，就有了 SLR，后面还有功能更强的 LALR(1) LR(1) LR(k) 。

通过这张图可以看到 LL 家族与 LR 家族的能力范围：

如图所示，无论 LL 还是 LR 都解决不了二义性文法，还好所有计算机语言都属于无二义性文法。

值得一提的是，如果实现了回溯功能的 LL(k) -> LL(∞)，那么能力就可以与 LR(k) 所比肩，而 LL 系列手写起来更易读，所以笔者采用了 LL 方式书写，今天介绍如何手写无回溯功能的 LL。

另外也有一些根据文法自动生成 parser 的库，比如兼容多语言的 antlr4 或者对 js 支持比较友好的 pegjs 。

2 精读

递归下降可以理解为走多出口的迷宫：

我们先根据 SQL 语法构造一个迷宫，进迷宫的不是探险家，而是 SQL 语句，这个 SQL 语句会拿上一堆令牌（切分好的 Tokens，详情见精读：词法分析），迷宫每前进一步都会要求按顺序给出令牌（交上去就没收），如果走到出口令牌刚好交完，就成功走出了迷宫；如果出迷宫时手上还有令牌，会被迷宫工作人员带走。这个迷宫会有一些分叉，在分岔路上会要求你亮出几个令牌中任意一个即可通过（LL1），有的迷宫允许你失败了存档，只要没有走出迷宫，都可以读档重来（LLk），理论上可以构造一个最宽容的迷宫，只要还没走出迷宫，可以在分叉处任意读档（LL∞），这个留到下一篇文章介绍。

词法分析

首先对 SQL 进行词法分析，拿到 Tokens 列表，这些就是探险家 SQL 带上的令牌。

根据上次讲的内容，我们对 select a from b 进行词法分析，可以拿到四个 Token（忽略空格与注释）。

Match 函数

递归下降最重要的就是 Match 函数，它就是迷宫中索取令牌的关卡。每个 Match 函数只要匹配上当前 Token 便将 Token index 下移一位，如果没有匹配上，则不消耗 Token：

function match(word: string) {
  const currentToken = tokens[tokenIndex] // 拿到当前所在的 Token

  if (currentToken.value === word) {
    // 如果 Token 匹配上了，则下移一位，同时返回 true
    tokenIndex++
    return true
  }

  // 没有匹配上，不消耗 Token，但是返回 false
  return false
}

Match 函数就是精简版的 if else，试想下面一段代码：

if (token[tokenIndex].value === 'select') {
    tokenIndex++
} else {
    return false
}

if (token[tokenIndex].value === 'a') {
    tokenIndex++
} else {
    return false
}

通过不断对比与移动 Token 进行判断，等价于下面的 Match 实现：

match('select') && match('a')

这样写出来的语法分析代码可读性会更强，我们能专注精神在对文法的解读上，而忽略其他环境因素。

顺便一提，下篇文章笔者会带来更精简的描述方法：

chain('select', 'a')

让函数式语法更接近文法形式。

最后这种语法不但描述更为精简，而且拥有 LL(∞) 的查找能力，拥有几乎最强大的语法分析能力。

语法分析主体函数

既然关卡（Match）已经有了，下面开始构造主函数了，可以开始画迷宫了。

举个最简单的例子，我们想匹配 select a from b ，只需要这么构造主函数：

let tokenIndex = 0
function match() { /* .. */ }

const root = () => match("select") && match("a") && match("from") && match("b")

tokens = lexer("select a from b")

if (root() && tokenIndex === tokens.length) {
  // sql 解析成功
}

为了简化流程，我们把 tokens、tokenIndex 作为全局变量。首先通过 lexer 拿到 select a from b 语句的 Tokens： ['select', ' ', 'a', ' ', 'from', ' ', 'b'] ，注意 在语法解析过程中，注释和空格可以消除 ，这样可以省去对空格和注释的判断，大大简化代码量。所以最终拿到的 Tokens 是 ['select', 'a', 'from', 'b'] 。

很显然这样与我们构造的 Match 队列相吻合，所以这段语句顺利的走出了迷宫，而且走出迷宫时，Token 正好被消费完（ tokenIndex === tokens.length ）。

这样就完成了最简单的语法分析，一共十几行代码。

函数调用

函数调用是 JS 最最基础的知识，但用在语法解析里可就不那么一样了。

考虑上面最简单的语句 select a from b ，显然无法胜任真正的 SQL 环境，比如 select [位置] from b 这个位置可以放置任意用逗号相连的字符串，我们如果将这种 SQL 展开描述，将非常复杂，难以阅读。恰好函数调用可以帮我们完美解决这个问题，我们将这个位置抽象为 selectList 函数，所以主语句改造如下：

const root = () =>
  match("select") && selectList() && match("from") && match("b")

这下能否解析 select a, b, c from table 就看 selectList 这个函数了：

const selectList =
  match("a") && match(",") && match("b") && match(",") && match("c")

显然这样做不具备通用性，因为我们将参数名与数量固定了。考虑到上期精读学到的文法，我们可以这样描述 selectList :

selectList ::= word (',' selectList)?
word ::= [a-zA-Z]

? 号是可选的意思，与正则的 ? 类似。

这是一个右递归文法，不难看出，这个文法可以如此展开:

selectList => word (',' selectList)? => a (',' selectList)? => a, word (',' selectList)? => a, b, word (',' selectList)? => a, b, word => a, b, c

我们一下遇到了两个问题：

补充 word 函数。
如何描述可选参数。

同理，利用函数调用，我们假定拥有了可选函数 optional ，与函数 word ，这样可以先把 selectList 函数描述出来：

const selectList = () => word() && optional(match(",") && selectList())

这样就通过可选函数 optional 描述了文法符号 ? 。

我们来看 word 函数如何实现。需要简单改造下 match 使其支持正则，那么 word 函数可以这样描述：

const word = () => match(/[a-zA-Z]*/)

而 optional 不是普通的 match 函数，从调用方式就能看出来，我们提到下一节详细介绍。

注意 selectList 函数的尾部，通过右递归的方式调用 selectList ，因此可以解析任意长度以 , 分割的字段列表。

Antlr4 支持左递归，因此文法可以写成 selectList ::= selectList (, word)? | word，用在我们这个简化的代码中会导致堆栈溢出。

在介绍 optional 函数之前，我们先引出分支函数，因为可选函数是分支函数的一种特殊形式（猜猜为什么？）。

分支函数

我们先看看函数 word ，其实没有考虑到函数作为字段的情况，比如 select a, SUM(b) from table 。所以我们需要升级下 selectList 的描述：

const selectList = () => field() && optional(match(",") && selectList())

const field = () => word()

这时注意 field 作为一个字段，也可能是文本或函数，我们假设拥有函数处理函数 functional ，那么用文法描述 field 就是：

field ::= text | functional

| 表示分支，我们用 tree 函数表示分支函数，那么可以如此改写 field :

const field = () => tree(word(), functional())

那么改如何表示 tree 呢？按照分支函数的特性， tree 的职责是超前查看，也就是超前查看 word 是否符合当前 Token 的特征，如何符合，则此分支可以走通，如果不符合，同理继续尝试 functional 。

若存在 A、B 分支，由于是函数式调用，若 A 分支为真，则函数堆栈退出到上层，若后续尝试失败，则无法再回到分支 B 继续尝试，因为函数栈已经退出了。这就是本文开头提到的回溯机制，对应迷宫的 存档、读档 机制。要实现回溯机制，要模拟函数执行机制，拿到函数调用的控制权，这个下篇文章再详细介绍。

根据这个特性，我们可以写出 tree 函数：

function tree(...args: any[]) {
  return args.some(arg => arg())
}

按照顺序执行 tree 的入参，如果有一个函数执行为真，则跳出函数，如果所有函数都返回 false，则这个分支结果为 false。

考虑到每个分支都会消耗 Token，所以我们需要在执行分支时，先把当前 TokenIndex 保存下来，如果执行成功则消耗，执行失败则还原 Token 位置：

function tree(...args: any[]) {
  const startTokenIndex = tokenIndex
  return args.some(arg => {
    const result = arg()

    if (!result) {
      tokenIndex = startTokenIndex // 执行失败则还原 TokenIndex
    }

    return result
  });
}

可选函数

可选函数就是分支函数的一个特例，可以描述为：

func? => func | ε

ε 表示空，也就是这个产生式解析到这里永远可以解析成功，而且不消耗 Token。借助分支函数 tree 执行失败后还原 TokenIndex 的特性，我们先尝试执行它，执行失败的话，下一个 ε 函数一定返回 true，而且会重置 TokenIndex 且不消耗 Token，这与可选的含义是等价的。

所以可以这样描述 optional 函数：

const optional = fn => tree(fn, () => true)

基本的运算连接

上面通过对 SQL 语句的实践，发现了 match 匹配单个单词、 && 连接、 tree 分支、 ε 空字符串的产生式这四种基本用法，这是符合下面四个基本文法组合思想的：

G ::= ε

空字符串产生式，对应 () => true ，不消耗 Token，总是返回 true 。

G ::= t

单词匹配，对应 match(t) 。

G ::= x y

连接运算，对应 match(x) && match(y) 。

G ::= x
G ::= y

并运算，对应 tree(x, y) 。

有了这四种基本用法，几乎可以描述所有 SQL 语法。

比如简单描述一下 select 语法：

const root = () => match("select") && select() && match("from") && table()

const selectList = () => field() && optional(match(",") && selectList())

const field = () => tree(word, functional)

const word = () => match(/[a-zA-Z]+/)