从今天开始，我们正式进入了应用篇，我会用两节课的时间，带你应用编译器的前端技术。这样，你会把学到的编译技术和应用领域更好地结合起来，学以致用，让技术发挥应有的价值。还能通过实践加深对原理的理解，形成一个良好的循环。

这节课，我们主要讨论，一个分布式数据库领域的需求。我会带你设计一个中间层，让应用逻辑不必关心数据库的物理分布。这样，无论把数据库拆成多少个分库，编程时都会像面对一个物理库似的没什么区别。

接下来，我们先了解一下分布式数据库的需求和带来的挑战。

分布式数据库解决了什么问题，又带来了哪些挑战

随着技术的进步，我们编写的应用所采集、处理的数据越来越多，处理的访问请求也越来越多。而单一数据库服务器的处理能力是有限的，当数据量和访问量超过一定级别以后，就要开始做分库分表的操作。比如，把一个数据库的大表拆成几张表，把一个库拆成几个库，把读和写的操作分离开等等。我们把这类技术统称为分布式数据库技术。

分库分表（Sharding）有时也翻译成“数据库分片”。分片可以依据各种不同的策略，比如我开发过一个与社区有关的应用系统，这个系统的很多业务逻辑都是围绕小区展开的。对于这样的系统，按照地理分布的维度来分片就很合适，因为每次对数据库的操作基本上只会涉及其中一个分库。

假设我们有一个订单表，那么就可以依据一定的规则对订单或客户进行编号，编号中就包含地理编码。比如 SDYT 代表山东烟台，BJHD 代表北京海淀，不同区域的数据放在不同的分库中：

通过数据库分片，我们可以提高数据库服务的性能和可伸缩性。当数据量和访问量增加时，增加数据库节点的数量就行了。不过，虽然数据库的分片带来了性能和伸缩性的好处，但它也带来了一些挑战。

**最明显的一个挑战，是数据库分片逻辑侵入到业务逻辑中。**过去，应用逻辑只访问一个数据库，现在需要根据分片的规则，判断要去访问哪个数据库，再去跟这个数据库服务器连接。如果增加数据库分片，或者对分片策略进行调整，访问数据库的所有应用模块都要修改。这会让软件的维护变得更复杂，显然也不太符合软件工程中模块低耦合、把变化隔离的理念。

所以如果有一种技术，能让我们访问很多数据库分片时，像访问一个数据库那样就好了。数据库的物理分布，对应用是透明的。

可是，“理想很吸引人，现实很骨感”。要实现这个技术，需要解决很多问题：

**首先是跨库查询的难题。**如果 SQL 操作都针对一个库还好，但如果某个业务需求恰好要跨多个库，比如上面的例子中，如果要查询多个小区的住户信息，那么就要在多个库中都执行查询，然后把查询结果合并，一般还要排序。

如果我们前端显示的时候需要分页，每页显示一百行，那就更麻烦了。我们不可能从 10 个分库中各查出 10 行，合并成 100 行，这 100 行不一定排在前面，最差的情况，可能这 100 行恰好都在其中一个分库里。所以，你可能要从每个分库查出 100 行来，合并、排序后，再取出前 100 行。如果涉及数据库表跨库做连接，你想象一下，那就更麻烦了。

**其次就是跨库做写入的难题。**如果对数据库写入时遇到了跨库的情况，那么就必须实现分布式事务。所以，虽然分布式数据库的愿景很吸引人，但我们必须解决一系列技术问题。

这一讲，我们先解决最简单的问题，**也就是当每次数据操作仅针对一个分库的时候，能否自动确定是哪个分库的问题。**解决这个问题我们不需要依据别的信息，只需要提供 SQL 就行了。这就涉及对 SQL 语句的解析了，自然要用到编译技术。

解析 SQL 语句，判断访问哪个数据库

我画了一张简化版的示意图：假设有两张表，分别是订单表和客户表，它们的主键是 order_id 和 cust_id：

我们采用的分片策略，是依据这两个主键的前 4 位的编码来确定数据库分片的逻辑，比如：前四位是 SDYT，那就使用山东烟台的分片，如果是 BJHD，就使用北京海淀的分片，等等。

在我们的应用中，会对订单表进行一些增删改查的操作，比如会执行下面的 SQL 语句：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18


// 查询

select * from orders where order_id = 'SDYT20190805XXXX'

select * from orders where cust_id = 'SDYT987645'

  // 插入

insert into orders (order_id，... 其他字段) values( "BJHD20190805XXXX",...)

 // 修改

update orders set price=298.00 where order_id='FJXM20190805XXXX'

 // 删除

delete from orders where order_id='SZLG20190805XXXX'

我们要能够解析这样的 SQL 语句，根据主键字段的值，决定去访问哪个分库或者分表。这就需要用到编译器前端技术，包括词法分析、语法分析和语义分析。

听到这儿，你可能会质疑：“解析 SQL 语句？是在开玩笑吗？”你可能觉得这个任务太棘手，犹豫着是否要忍受业务逻辑和技术逻辑混杂的缺陷，把判断分片的逻辑写到应用代码里，或者想解决这个问题，又或者想自己写一个开源项目，帮到更多的人。

无论你的内心活动如何，应用编译技术，能让你有更强的信心解决这个问题。那么如何去做呢？要想完成解析 SQL 的任务，在词法分析和语法分析这两个阶段，我建议你采用工具快速落地，比如 Antlr。你要找一个现成的 SQL 语句的语法规则文件。

GitHub 中，那个收集了很多示例 Antlr 规则文件的项目里，有两个可以参考的规则：一个是PLSQL的（它是 Oracle 数据库的 SQL 语法）；一个是SQLite的（这是一个嵌入式数据库）。

实际上，我还找到 MySQL workbench 所使用的一个产品级的规则文件。MySQL workbench 是一个图形化工具，用于管理和访问 MySQL。这个规则文件还是很靠谱的，不过它里面嵌了很多属性计算规则，而且是 C++ 语言写的，我嫌处理起来麻烦，就先弃之不用，暂且采用 SQLite 的规则文件来做示范。

先来看一下这个文件里的一些规则，例如 select 语句相关的语法：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42


factored_select_stmt

 : ( K_WITH K_RECURSIVE? common_table_expression ( ',' common_table_expression )* )?

   select_core ( compound_operator select_core )*

   ( K_ORDER K_BY ordering_term ( ',' ordering_term )* )?

   ( K_LIMIT expr ( ( K_OFFSET | ',' ) expr )? )?

 ;

 common_table_expression

 : table_name ( '(' column_name ( ',' column_name )* ')' )? K_AS '(' select_stmt ')'

 ;

 select_core

 : K_SELECT ( K_DISTINCT | K_ALL )? result_column ( ',' result_column )*

   ( K_FROM ( table_or_subquery ( ',' table_or_subquery )* | join_clause ) )?

   ( K_WHERE expr )?

   ( K_GROUP K_BY expr ( ',' expr )* ( K_HAVING expr )? )?

 | K_VALUES '(' expr ( ',' expr )* ')' ( ',' '(' expr ( ',' expr )* ')' )*

 ;

 result_column

 : '*'

 | table_name '.' '*'

 | expr ( K_AS? column_alias )?

 ;

我们可以一边看这个语法规则，一边想几个 select 语句做一做验证。你可以思考一下，这个规则是怎么把 select 语句拆成不同的部分的。

SQL 里面也有表达式，我们研究一下它的表达式的规则：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60


expr

 : literal_value

 | BIND_PARAMETER

 | ( ( database_name '.' )? table_name '.' )? column_name

 | unary_operator expr

 | expr '||' expr

 | expr ( '*' | '/' | '%' ) expr

 | expr ( '+' | '-' ) expr

 | expr ( '<<' | '>>' | '&' | '|' ) expr

 | expr ( '<' | '<=' | '>' | '>=' ) expr

 | expr ( '=' | '==' | '!=' | '<>' | K_IS | K_IS K_NOT | K_IN | K_LIKE | K_GLOB | K_MATCH | K_REGEXP ) expr

 | expr K_AND expr

 | expr K_OR expr

 | function_name '(' ( K_DISTINCT? expr ( ',' expr )* | '*' )? ')'

 | '(' expr ')'

 | K_CAST '(' expr K_AS type_name ')'

 | expr K_COLLATE collation_name

 | expr K_NOT? ( K_LIKE | K_GLOB | K_REGEXP | K_MATCH ) expr ( K_ESCAPE expr )?

 | expr ( K_ISNULL | K_NOTNULL | K_NOT K_NULL )

 | expr K_IS K_NOT? expr

 | expr K_NOT? K_BETWEEN expr K_AND expr

 | expr K_NOT? K_IN ( '(' ( select_stmt

                          | expr ( ',' expr )*

                          )? 

                      ')'

                    | ( database_name '.' )? table_name )

 | ( ( K_NOT )? K_EXISTS )? '(' select_stmt ')'

 | K_CASE expr? ( K_WHEN expr K_THEN expr )+ ( K_ELSE expr )? K_END

 | raise_function

 ;

你可能会觉得 SQL 的表达式的规则跟其他语言的表达式规则很像。比如都支持加减乘除、关系比较、逻辑运算等等。而且从这个规则文件里，你一下子就能看出各种运算的优先级，比如你会注意到，字符串连接操作“||”比乘法和除法的优先级更高。所以，研究一门语言时积累的经验，在研究下一门语言时仍然有用。

有了规则文件之后，接下来，我们用 Antlr 生成词法分析器和语法分析器：

1
2


antlr -visitor -package dsql.parser SQLite.g4

在这个命令里，我用 -package 参数指定了生成的 Java 代码的包是 dsql.parser。dsql 是分布式 SQL 的意思。接着，我们可以写一点儿程序测试一下所生成的词法分析器和语法分析器：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18


String sql = "select order_id from orders where cust_id = 'SDYT987645'";

 // 词法分析

SQLiteLexer lexer = new SQLiteLexer(CharStreams.fromString(sql));

CommonTokenStream tokens = new CommonTokenStream(lexer);

 // 语法分析

SQLiteParser parser = new SQLiteParser(tokens);

ParseTree tree = parser.sql_stmt();

 // 输出 lisp 格式的 AST

System.out.println(tree.toStringTree(parser));

这段程序的输出是 LISP 格式的 AST，我调整了一下缩进，让它显得更像一棵树：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36


(sql_stmt 

  (factored_select_stmt 

    (select_core select 

      (result_column 

        (expr 

          (column_name 

            (any_name order_id)))) 

      from (table_or_subquery 

              (table_name 

                (any_name orders)))

      where (expr 

              (expr 

                (column_name 

                  (any_name cust_id))) 

              = 

                (expr 

                  (literal_value 

                    ('SDYT987645'))))))

从 AST 中，我们可以清晰地看出这个 select 语句是如何被解析成结构化数据的，再继续写点儿代码，就能获得想要的信息了。

接下来的任务是：对于访问订单表的 select 语句，要在 where 子句里找出 cust_id=“客户编号"或 order_id=“订单编号"这样的条件，从而能够根据客户编号或订单编号确定采用哪个分库。

怎么实现呢？很简单，我们用 visitor 模式遍历一下 AST 就可以了：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58


public String getDBName(String sql) {

    // 词法解析

    SQLiteLexer lexer = new SQLiteLexer(CharStreams.fromString(sql));

    CommonTokenStream tokens = new CommonTokenStream(lexer);

        // 语法解析

    SQLiteParser parser = new SQLiteParser(tokens);

    ParseTree tree = parser.sql_stmt();

     // 以 lisp 格式打印 AST

    System.out.println(tree.toStringTree(parser));

     // 获得 select 语句的要素， 包括表名和 where 条件

    SQLVisitor visitor = new SQLVisitor();

    SelectStmt select = (SelectStmt) visitor.visit(tree);

     String dbName = null;

    if (select.tableName.equals("orders")) {

        if (select.whereExprs != null) {

            for (WhereExpr expr : select.whereExprs) {

                // 根据 cust_id 或 order_id 来确定库的名称

                if (expr.columnName.equals("cust_id") || expr.columnName.equals("order_id")) {

                    // 取编号的前 4 位，即区域编码

                    String region = expr.value.substring(1, 5);

                    // 根据区域编码，获取库名称

                    dbName = region2DB.get(region);

                    break;

                }

            }

        }

    }

    return dbName;

}

获取表名和 where 子句条件的代码在 SQLVisitor.java 中。因为已经有了 AST，抽取这些信息是不难的。你可以点开我在文稿中提供的链接，查看示例代码。

我们的示例离实用还有多大差距？

目前，我们已经初步解决了数据库访问透明化的问题。当然，这只是一个示例，如果要做得严密、实用，我们还要补充一些工作。

**我们需要做一些语义分析工作，确保 SQL 语句的合法性。**语法分析并不能保证程序代码完全合法，我们必须进行很多语义的检查才行。

我给订单表起的名字，是 orders。如果你把表名称改为 order，那么必须用引号引起来，写成’order’，不带引号的 order 会被认为是一个关键字。因为在 SQL 中我们可以使用 order by 这样的子句，这时候，order 这个表名就会被混淆，进而被解析错误。这个语法解析程序会在表名的地方出现一个 order 节点，这在语义上是不合法的，需要被检查出来并报错。

**如果要检查语义的正确性，我们还必须了解数据库的元数据。**否则，就没有办法判断在 SQL 语句中是否使用了正确的字段，以及正确的数据类型。除此之外，我们还需要扩展到能够识别跨库操作，比如下面这样一个 where 条件：

1
2


order_id = 'FJXM20190805XXXX' or order_id = 'SZLG20190805XXXX'

分析这个查询条件，可以知道数据是存在两个不同的数据库中的。但是我们要让解析程序分析出这个结果，甚至让它针对更加复杂的条件，也能分析出来。这就需要更加深入的语义分析功能了。

**最后，解析器的速度也是一个需要考虑的因素。**因为执行每个 SQL 都需要做一次解析，而这个时间就加在了每一次数据库访问上。所以，SQL 解析的时间越少越好。因此，有的项目就会尽量提升解析效率。**阿里有一个开源项目 Druid，是一个数据库连接池。**这个项目强调性能，因此他们纯手写了一个 SQL 解析器，尽可能地提升性能。

总之，要实现一个完善的工具，让工具达到产品级的质量，有不少工作要做。如果要支持更强的分布式数据库功能，还要做更多的工作。不过，你应该不会觉得这事儿有多么难办了吧？至少在编译技术这部分你是有信心的。

在这里，我还想讲一讲 SQL 防注入这个问题。SQL 注入攻击是一种常见的攻击手段。你向服务器请求一个 url 的时候，可以把恶意的 SQL 嵌入到参数里面，这样形成的 SQL 就是不安全的。

以前面的 SQL 语句为例，这个 select 语句本来只是查询一个订单，订单编号“SDYT20190805XXXX”作为参数传递给服务端的一个接口，服务端收到参数以后，用单引号把这个参数引起来，并加上其他部分，就组装成下面的 SQL 并执行：

1
2
3
4


// 原来的 SQL

select * from orders where order_id = 'SDYT20190805XXXX'

如果我们遇到了一个恶意攻击者，他可能把参数写成“SDYT20190805XXXX’；drop table customers; –”。服务器接到这个参数以后，仍然把它拿单引号引起来，并组装成 SQL，组装完毕以后就是下面的语句：

1
2
3
4


// 被注入恶意 SQL 后

select * from orders where order_id = 'SDYT20190805XXXX'; drop table customers; --'

如果你看不清楚，我分行写一下，这样你就知道它是怎么把你宝贵的客户信息全都删掉的：

1
2
3
4
5
6
7
8


// 被注入恶意 SQL 后

select * from orders where order_id = 'SDYT20190805XXXX'; 

drop table customers;  // 把顾客表给删了

--'                    // 把你加的单引号变成了注释，这样 SQL 不会出错

**所以 SQL 注入有很大的危害。**而我们一般用检查客户端传过来的参数的方法，看看有没有 SQL 语句中的关键字，来防止 SQL 注入。不过这是比较浅的防御，有时还会漏过一些非法参数，所以要在 SQL 执行之前，做最后一遍检查。而这个时候，就要运用编译器前端技术来做 SQL 的解析了。借此，我们能检查出来异常：明明这个功能是做查询的，为什么形成的 SQL 会有删除表的操作？

通过这个例子，我们又分析了一种场景：开发一个安全可靠的系统，用编译技术做 SQL 分析是必须做的一件事情。

课程小结

今天，我带你利用学到的编译器前端技术，解析了 SQL 语句，并针对分布式数据库透明查询的功能做了一次概念证明。

SQL 是程序员经常打交道的语言。有时，我们会遇到需要解析 SQL 语言的需求，除了分布式数据库场景的需求以外，Hibernate 对 HQL 的解析，也跟解析 SQL 差不多。而且，最近有一种技术，能够通过 RESTful 这样的接口做通用的查询，其实也是一种类 SQL 的子语言。

当然了，今天我们只是基于工具做解析。一方面，有时候我们就是需要做个原型系统或者最小的能用的系统，有时间有资源了，再追求完美也不为过，比如追求编译速度的提升。另一方面，你能看到 MySQL workbench 也是用 Antlr 来作帮手的，在很多情况下，Antlr 这样的工具生成的解析器足够用，甚至比你手写的还要好，所以，我们大可以节省时间，用工具做解析。

可能你会觉得，实际应用的难度似乎要低于学习原理的难度。如果你有这个感觉，那就对了，这说明你已经掌握了原理篇的内容，所以日常的一些应用根本不是问题，你可以找出更多的应用场景来练练手。

一课一思

你在工作中，是否遇到过其他需要解析 SQL 的场景？另外，当你阅读了 SQL 的规则文件之后，是否发现了它跟 Java 这样的语言规则的不同之处？是更加简单还是更复杂？欢迎在留言区写下你的发现。

最后，感谢你的阅读，如果这篇文章让你有所收获，也欢迎你将它分享给更多的朋友。