1. 概述

SQL 解析引擎，数据库中间件必备的功能和流程。Sharding-JDBC 在 1.5.0.M1 正式发布时，将 SQL 解析引擎从 Druid 替换成了自研的。新引擎仅解析分片上下文，对于 SQL 采用"半理解"理念，进一步提升性能和兼容性，同时降低了代码复杂度（不理解没关系，我们后续会更新文章解释该优点）。 国内另一款数据库中间件 MyCAT SQL 解析引擎也是 Druid，目前也在开发属于自己的 SQL 解析引擎。

可能有同学看到SQL 解析会被吓到，请淡定，耐心往下看。《SQL 解析》内容我们会分成 5 篇相对简短的文章，让大家能够相对轻松愉快的去理解：

1. 词法解析
2. 插入 SQL 解析
3. 查询 SQL 解析
4. 更新 SQL 解析
5. 删除 SQL 解析

SQL 解析引擎在 parsing 包下，如上图所见包含两大组件：

1. Lexer：词法解析器。
2. Parser：SQL解析器。

两者都是解析器，区别在于 Lexer 只做词法的解析，不关注上下文，将字符串拆解成 N 个词法。而 Parser 在 Lexer 的基础上，还需要理解 SQL 。打个比方：

SQL ：SELECT * FROM t_user  
Lexer ：[SELECT] [ * ] [FROM] [t_user]  
Parser ：这是一条 [SELECT] 查询表为 [t_user] ，并且返回 [ * ] 所有字段的 SQL。

不完全懂？没关系，本文的主角是 Lexer，我们通过源码一点一点理解。一共 1400 行左右代码左右，还包含注释等等，实际更少噢。

2. Lexer 词法解析器

Lexer 原理：顺序顺序顺序 解析 SQL，将字符串拆解成 N 个词法。

核心代码如下：

// Lexer.java
public class Lexer {/*** 输出字符串* 比如：SQL*/@Getterprivate final String input;/*** 词法标记字典*/private final Dictionary dictionary;/*** 解析到 SQL 的 offset*/private int offset;/*** 当前 词法标记*/@Getterprivate Token currentToken;/*** 分析下一个词法标记.** @see #currentToken* @see #offset*/public final void nextToken() {skipIgnoredToken();if (isVariableBegin()) { // 变量currentToken = new Tokenizer(input, dictionary, offset).scanVariable();} else if (isNCharBegin()) { // N\currentToken = new Tokenizer(input, dictionary, ++offset).scanChars();} else if (isIdentifierBegin()) { // Keyword + Literals.IDENTIFIERcurrentToken = new Tokenizer(input, dictionary, offset).scanIdentifier();} else if (isHexDecimalBegin()) { // 十六进制currentToken = new Tokenizer(input, dictionary, offset).scanHexDecimal();} else if (isNumberBegin()) { // 数字（整数+浮点数）currentToken = new Tokenizer(input, dictionary, offset).scanNumber();} else if (isSymbolBegin()) { // 符号currentToken = new Tokenizer(input, dictionary, offset).scanSymbol();} else if (isCharsBegin()) { // 字符串，例如："abc"currentToken = new Tokenizer(input, dictionary, offset).scanChars();} else if (isEnd()) { // 结束currentToken = new Token(Assist.END, "", offset);} else { // 分析错误，无符合条件的词法标记currentToken = new Token(Assist.ERROR, "", offset);}offset = currentToken.getEndPosition();// System.out.println("| " + currentToken.getLiterals() + " | " + currentToken.getType() + " | " + currentToken.getEndPosition() + " |");}/*** 跳过忽略的词法标记* 1. 空格* 2. SQL Hint* 3. SQL 注释*/private void skipIgnoredToken() {// 空格offset = new Tokenizer(input, dictionary, offset).skipWhitespace();// SQL Hintwhile (isHintBegin()) {offset = new Tokenizer(input, dictionary, offset).skipHint();offset = new Tokenizer(input, dictionary, offset).skipWhitespace();}// SQL 注释while (isCommentBegin()) {offset = new Tokenizer(input, dictionary, offset).skipComment();offset = new Tokenizer(input, dictionary, offset).skipWhitespace();}}
}

通过 #nextToken() 方法，不断解析出 Token(词法标记)。我们来执行一次，看看 SQL 会被拆解成哪些 Token。 

SQL ：SELECT i.* FROM t_order o JOIN t_order_item i ON o.order_id=i.order_id WHERE o.user_id=? AND o.order_id=?

眼尖的同学可能看到了 Tokenizer。对的，它是 Lexer 的好基佬，负责分词。

我们来总结下，Lexer#nextToken() 方法里，使用 #skipIgnoredToken() 方法跳过忽略的 Token，通过 #isXXXX() 方法判断好下一个 Token 的类型后，交给 Tokenizer 进行分词返回 Token。‼️此处可以考虑做个优化，不需要每次都 new Tokenizer(...) 出来，一个 Lexer 搭配一个 Tokenizer。

由于不同数据库遵守 SQL 规范略有不同，所以不同的数据库对应不同的 Lexer。

子 Lexer 通过重写方法实现自己独有的 SQL 语法。

3. Token 词法标记

上文我们已经看过 Token 的例子，一共有 3 个属性：

• TokenType type ：词法标记类型
• String literals ：词法字面量标记
• int endPosition ：literals 在 SQL 里的结束位置

TokenType 词法标记类型，一共分成 4 个大类：

• DefaultKeyword ：词法关键词
• Literals ：词法字面量标记
• Symbol ：词法符号标记
• Assist ：词法辅助标记

3.1 DefaultKeyword 词法关键词

不同数据库有自己独有的_词法关键词_，例如 MySQL 熟知的分页 Limit。

我们以 MySQL 举个例子，当创建 MySQLLexer 时，会加载 DefaultKeyword 和 MySQLKeyword（ OracleLexer、PostgreSQLLexer、SQLServerLexer 同 MySQLLexer ）。核心代码如下：

// MySQLLexer.java
public final class MySQLLexer extends Lexer {/*** 字典*/private static Dictionary dictionary = new Dictionary(MySQLKeyword.values());public MySQLLexer(final String input) {super(input, dictionary);}
}// Dictionary.java
public final class Dictionary {/*** 词法关键词Map*/private final Map<String, Keyword> tokens = new HashMap<>(1024);public Dictionary(final Keyword... dialectKeywords) {fill(dialectKeywords);}/*** 装上默认词法关键词 + 方言词法关键词* 不同的数据库有相同的默认词法关键词，有有不同的方言关键词** @param dialectKeywords 方言词法关键词*/private void fill(final Keyword... dialectKeywords) {for (DefaultKeyword each : DefaultKeyword.values()) {tokens.put(each.name(), each);}for (Keyword each : dialectKeywords) {tokens.put(each.toString(), each);}}
}

Keyword 与 Literals.IDENTIFIER 是一起解析的，我们放在 Literals.IDENTIFIER 处一起分析。

3.2 Literals 词法字面量标记

Literals 词法字面量标记，一共分成 6 种：

• IDENTIFIER ：词法关键词
• VARIABLE ：变量
• CHARS ：字符串
• HEX ：十六进制
• INT ：整数
• FLOAT ：浮点数

3.2.1 Literals.IDENTIFIER 词法关键词

词法关键词。例如：表名，查询字段 等等。

解析 Literals.IDENTIFIER 与 Keyword 核心代码如下：

// Lexer.java
private boolean isIdentifierBegin() {return isIdentifierBegin(getCurrentChar(0));
}
private boolean isIdentifierBegin(final char ch) {return CharType.isAlphabet(ch) || '`' == ch || '_' == ch || '$' == ch;
}// Tokenizer.java
/**
* 扫描标识符.
*
* @return 标识符标记
*/
public Token scanIdentifier() {// `字段`，例如：SELECT `id` FROM t_user 中的 `id`if ('`' == charAt(offset)) {int length = getLengthUntilTerminatedChar('`');return new Token(Literals.IDENTIFIER, input.substring(offset, offset + length), offset + length);}int length = 0;while (isIdentifierChar(charAt(offset + length))) {length++;}String literals = input.substring(offset, offset + length);// 处理 order / group 作为表名if (isAmbiguousIdentifier(literals)) {return new Token(processAmbiguousIdentifier(offset + length, literals), literals, offset + length);}// 从 词法关键词 查找是否是 Keyword，如果是，则返回 Keyword，否则返回 Literals.IDENTIFIERreturn new Token(dictionary.findTokenType(literals, Literals.IDENTIFIER), literals, offset + length);
}
/**
* 计算到结束字符的长度
*
* @see #hasEscapeChar(char, int) 处理类似 SELECT a AS `b``c` FROM table。此处连续的 "``" 不是结尾，如果传递的是 "`" 会产生误判，所以加了这个判断
* @param terminatedChar 结束字符
* @return 长度
*/
private int getLengthUntilTerminatedChar(final char terminatedChar) {int length = 1;while (terminatedChar != charAt(offset + length) || hasEscapeChar(terminatedChar, offset + length)) {if (offset + length >= input.length()) {throw new UnterminatedCharException(terminatedChar);}if (hasEscapeChar(terminatedChar, offset + length)) {length++;}length++;}return length + 1;
}
/**
* 是否是 Escape 字符
*
* @param charIdentifier 字符
* @param offset 位置
* @return 是否
*/
private boolean hasEscapeChar(final char charIdentifier, final int offset) {return charIdentifier == charAt(offset) && charIdentifier == charAt(offset + 1);
}
private boolean isIdentifierChar(final char ch) {return CharType.isAlphabet(ch) || CharType.isDigital(ch) || '_' == ch || '$' == ch || '#' == ch;
}
/**
* 是否是引起歧义的标识符
* 例如 "SELECT * FROM group"，此时 "group" 代表的是表名，而非词法关键词
*
* @param literals 标识符
* @return 是否
*/
private boolean isAmbiguousIdentifier(final String literals) {return DefaultKeyword.ORDER.name().equalsIgnoreCase(literals) || DefaultKeyword.GROUP.name().equalsIgnoreCase(literals);
}
/**
* 获取引起歧义的标识符对应的词法标记类型
*
* @param offset 位置
* @param literals 标识符
* @return 词法标记类型
*/
private TokenType processAmbiguousIdentifier(final int offset, final String literals) {int i = 0;while (CharType.isWhitespace(charAt(offset + i))) {i++;}if (DefaultKeyword.BY.name().equalsIgnoreCase(String.valueOf(new char[] {charAt(offset + i), charAt(offset + i + 1)}))) {return dictionary.findTokenType(literals);}return Literals.IDENTIFIER;
}

3.2.2 Literals.VARIABLE 变量

变量。例如：SELECT @@VERSION 。

解析核心代码如下：

// Lexer.java
/**
* 是否是 变量
* MySQL 与 SQL Server 支持
* 
* @see Tokenizer#scanVariable()
* @return 是否
*/
protected boolean isVariableBegin() {return false;
}// Tokenizer.java
/**
* 扫描变量.
* 在 MySQL 里，@代表用户变量；@@代表系统变量。
* 在 SQLServer 里，有 @@。
*
* @return 变量标记
*/
public Token scanVariable() {int length = 1;if ('@' == charAt(offset + 1)) {length++;}while (isVariableChar(charAt(offset + length))) {length++;}return new Token(Literals.VARIABLE, input.substring(offset, offset + length), offset + length);
}

3.2.3 Literals.CHARS 字符串

字符串。例如：SELECT "123" 。

解析核心代码如下：

// Lexer.java
/**
* 是否 N\
* 目前 SQLServer 独有：在 SQL Server 中處理 Unicode 字串常數時，必需為所有的 Unicode 字串加上前置詞 N
*
* @see Tokenizer#scanChars()
* @return 是否
*/
private boolean isNCharBegin() {return isSupportNChars() && 'N' == getCurrentChar(0) && '\'' == getCurrentChar(1);
}
private boolean isCharsBegin() {return '\'' == getCurrentChar(0) || '\"' == getCurrentChar(0);
}// Tokenizer.java
/**
* 扫描字符串.
*
* @return 字符串标记
*/
public Token scanChars() {return scanChars(charAt(offset));
}
private Token scanChars(final char terminatedChar) {int length = getLengthUntilTerminatedChar(terminatedChar);return new Token(Literals.CHARS, input.substring(offset + 1, offset + length - 1), offset + length);
}

3.2.4 Literals.HEX 十六进制 

// Lexer.java
/**
* 是否是 十六进制
*
* @see Tokenizer#scanHexDecimal()
* @return 是否
*/
private boolean isHexDecimalBegin() {return '0' == getCurrentChar(0) && 'x' == getCurrentChar(1);
}// Tokenizer.java
/**
* 扫描十六进制数.
*
* @return 十六进制数标记
*/
public Token scanHexDecimal() {int length = HEX_BEGIN_SYMBOL_LENGTH;// 负数if ('-' == charAt(offset + length)) {length++;}while (isHex(charAt(offset + length))) {length++;}return new Token(Literals.HEX, input.substring(offset, offset + length), offset + length);
}

3.2.5 Literals.INT 整数

整数。例如：SELECT * FROM t_user WHERE id = 1。

Literals.INT 与 Literals.FLOAT 是一起解析的，我们放在 Literals.FLOAT 处一起分析。

3.2.6 Literals.FLOAT 浮点数

浮点数。例如：SELECT * FROM t_user WHERE id = 1.0。 浮点数包含几种："1.0"，"1.0F"，"7.823E5"（科学计数法）。

解析核心代码如下：

// Lexer.java
/**
* 是否是 数字
* '-' 需要特殊处理。".2" 被处理成省略0的小数，"-.2" 不能被处理成省略的小数，否则会出问题。
* 例如说，"SELECT a-.2" 处理的结果是 "SELECT" / "a" / "-" / ".2"
*
* @return 是否
*/
private boolean isNumberBegin() {return CharType.isDigital(getCurrentChar(0)) // 数字|| ('.' == getCurrentChar(0) && CharType.isDigital(getCurrentChar(1)) && !isIdentifierBegin(getCurrentChar(-1)) // 浮点数|| ('-' == getCurrentChar(0) && ('.' == getCurrentChar(0) || CharType.isDigital(getCurrentChar(1))))); // 负数
}// Tokenizer.java
/**
* 扫描数字.
* 解析数字的结果会有两种：整数 和 浮点数.
*
* @return 数字标记
*/
public Token scanNumber() {int length = 0;// 负数if ('-' == charAt(offset + length)) {length++;}// 浮点数length += getDigitalLength(offset + length);boolean isFloat = false;if ('.' == charAt(offset + length)) {isFloat = true;length++;length += getDigitalLength(offset + length);}// 科学计数表示，例如：SELECT 7.823E5if (isScientificNotation(offset + length)) {isFloat = true;length++;if ('+' == charAt(offset + length) || '-' == charAt(offset + length)) {length++;}length += getDigitalLength(offset + length);}// 浮点数，例如：SELECT 1.333Fif (isBinaryNumber(offset + length)) {isFloat = true;length++;}return new Token(isFloat ? Literals.FLOAT : Literals.INT, input.substring(offset, offset + length), offset + length);
}

这里要特别注意下："-"。在数字表达实例，可以判定为 负号 和 减号（不考虑科学计数法）。

• ".2" 解析结果是 ".2"
• "-.2" 解析结果不能是 "-.2"，而是 "-" 和 ".2"。

3.3 Symbol 词法符号标记

词法符号标记。例如："{", "}", ">=" 等等。

解析核心代码如下：

// Lexer.java
/**
* 是否是 符号
*
* @see Tokenizer#scanSymbol()
* @return 是否
*/
private boolean isSymbolBegin() {return CharType.isSymbol(getCurrentChar(0));
}// CharType.java
/**
* 判断是否为符号.
*
* @param ch 待判断的字符
* @return 是否为符号
*/
public static boolean isSymbol(final char ch) {return '(' == ch || ')' == ch || '[' == ch || ']' == ch || '{' == ch || '}' == ch || '+' == ch || '-' == ch || '*' == ch || '/' == ch || '%' == ch || '^' == ch || '=' == ch|| '>' == ch || '<' == ch || '~' == ch || '!' == ch || '?' == ch || '&' == ch || '|' == ch || '.' == ch || ':' == ch || '#' == ch || ',' == ch || ';' == ch;
}// Tokenizer.java
/**
* 扫描符号.
*
* @return 符号标记
*/
public Token scanSymbol() {int length = 0;while (CharType.isSymbol(charAt(offset + length))) {length++;}String literals = input.substring(offset, offset + length);// 倒序遍历，查询符合条件的 符号。例如 literals = ";;"，会是拆分成两个 ";"。如果基于正序，literals = "<="，会被解析成 "<" + "="。Symbol symbol;while (null == (symbol = Symbol.literalsOf(literals))) {literals = input.substring(offset, offset + --length);}return new Token(symbol, literals, offset + length);
}

3.4 Assist 词法辅助标记

Assist 词法辅助标记，一共分成 2 种：

• END ：分析结束
• ERROR ：分析错误。