扩展 Spark SQL 解析，你知道吗?

扩展 Spark SQL 解析，你知道吗?

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