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
本文转载自微信公众号「麒思妙想」，可以通过以下二维码关注。转载本文请联系麒思妙想公众号。
