背景
SQL语句的DDL和DML根据分号划分。 之前的对一组SQL语句的切分有问题。出现 '\\' 会出现切割错误。 例子如下:
CREATE TABLE student (id INT, name STRING, age INT) USING CSV;
SELECT *, split(q,'\\\\') as qq FROM foo_table;
SELECT * FROM bar_table;
上面代码无法被splitIgnoreQuota()方法正确切割成三句SQL。
指导思想
想从编译原理的词法分析角度解决这个问题。实现一个DFA(确定有限状态自动机)。只要状态转换图是对的。那么解析的字符串一定是对的。
技术方案
步骤
- 使用状态机将字符串Token化。
- 将字符串转换成Token数组。
- 根据Token重组成SQL语句。
- 根据Token数组中的Token类型,拼接成一个一个SQL语句,组成SQL数组。
主干代码就如下两步:
String string = "一坨SQL语句";
List<Token> tokens = tokenize(s);
List<Token> tokens = tokenize(string);
return processTokens(tokens);
一、状态机的实现
状态机转换图
下图中,每一个节点都代表一种状态,每一条边都代表一个函数。 每当路过需要生成Token的边,就把缓冲区中所有字符保存到Token中。
状态机五种状态:
private enum State {
/** current char in single quote */
SINGLE_QUOTED,
/** current char in single quote,and after '\' */
AFTER_BACKSLASH_SINGLE_QUOTED,
/** current char in double quote */
DOUBLE_QUOTED,
/** current char in double quote,and after '\' */
AFTER_BACKSLASH_DOUBLE_QUOTED,
/** out of quote */
UNQUOTED
}
切换状态的三种关键字
分隔符不在关键字中,动态传入。
public class Keyword {
public static final char SINGLE_QUOTE = '\'';
public static final char DOUBLE_QUOTE = '\"';
public static final char BACKSLASH = '\\';
}
二、Token的实现
public class Token {
private TokenKind kind;
private String val;
Token(TokenKind kind, String val) {
this.kind = kind;
this.val = val;
}
public TokenKind getKind() {
return kind;
}
public String getVal() {
return val;
}
}
Token只有两种类型
/** There are only two kinds */
private enum TokenKind {
/** SQL string */
STRING,
/** SQL delimiter */
DELIMITER
}
Token使用举例
在如下SQL例子中,转换出的一个Token数组是这样[STRING, STRING, STRING, DELIMITER, STRING, DELIMITER]。那么会根据SEMICOLON类型,最终还原出两句SQL。
SELECT *, split(q,'\\\\') as qq FROM foo_table;
SELECT * FROM bar_table;
参考资料
《现代编译原理:C语言描述》——第2章 词法分析
参考代码
Flink StructuredOptionsSplitter类 splitEscaped()方法。