精读《手写 SQL 编译器

1 引言

编译器除了生成语法树之外，还要在输入出现错误时给出恰当的提示。

比如当用户输入 select (name，这是个未完成的 SQL 语句，我们的目标是提示出这个语句未完成，并给出后续的建议： ) - + % / * . ( 。

2 精读

分析一个 SQL 语句，现将 query 字符串转成 Token 数组，再构造文法树解析，那么可能出现错误的情况有两种：

语句错误。
文法未完成。

给出错误提示的第一步是判断错误发生。

通过这张 Token 匹配过程图可以发现，当深度优先遍历文法节点时，匹配成功后才会返回父元素继续往下走。而当走到父元素没有根节点了才算匹配成功；当尝试 Chance 时没有机会了，就是错误发生的时机。

所以我们只要找到最后一个匹配成功的节点，再根据最后成功与否，以及搜索出下一个可能节点，就能知道错误类型以及给出建议了。

function onMatchNode(matchNode, store) {const matchResult = matchNode.run(store.scanner);if (!matchResult.match) {tryChances(matchNode, store);} else {const restTokenCount = store.scanner.getRestTokenCount();if (matchNode.matching.type !== "loose") {if (!lastMatch) {lastMatch = {matchNode,token: matchResult.token,restTokenCount};}}callParentNode(matchNode, store, matchResult.token);}
}
复制代码

所以在运行语法分析器时，在遇到匹配节点（MatchNode）时，如果匹配成功，就记录下这个节点，这样我们最终会找到最后一个匹配成功的节点：lastMatch。

之后通过 findNextMatchNodes 函数找到下一个可能的推荐节点列表，作为错误恢复的建议。

findNextMatchNodes 函数会根据某个节点，找出下一节点所有可能 Tokens 列表，这个函数后面文章再专门介绍，或者你也可以先阅读源码.

语句错误

也就是任何一个 Token 匹配失败。比如：

select * from table_name as table1 error_string;
复制代码

这里 error_string 就是冗余的语句。

通过语法解析器分析，可以得到执行失败的结果，然后通过 findNextMatchNodes 函数，我们可以得到下面分析结果：

可以看到，程序判断出了 error_string 这个 Token 属于错误类型，同时给出建议，可以将 error_string 替换成这 14 个建议字符串中任意一个，都能使语句正确。

之所以失败类型判断为错误类型，是因为查找了这个正确 Token table1 后面还有一个没有被使用的 error_string，所以错误归类是 wrong。

注意，这里给出的是下一个 Token 建议，而不是全部 Token 建议，因此推荐了 where 表示 “或者后面跟一个完整的 where 语句”。

文法未完成

和语句错误不同，这种错误所有输入的单词都是正确的，但却没有写完。比如：

select *
复制代码

通过语法解析器分析，可以得到执行失败的结果，然后通过 findNextMatchNodes 函数，我们可以得到下面分析结果：

可以看到，程序判断出了 * 这个 Token 属于未完成的错误类型，建议在后面补全这 14 个建议字符串中任意一个。比较容易联想到的是 where，但也可以是任意子文法的未完成状态，比如后面补充 , 继续填写字段，或者直接跟一个单词表示别名，或者先输入 as 再跟别名。

之所以失败类型判断为未完成，是因为最后一个正确 Token * 之后没有 Token 了，但语句解析失败，那只有一个原因，就是语句为写完，因此错误归类是 inComplete。

找到最易读的错误类型

在一开始有提到，我们只要找到最后一个匹配成功的节点，就可以顺藤摸瓜找到错误原因以及提示，但最后一个成功的节点可能和我们人类直觉相违背。举下面这个例子：

select a from b where a = '1' ~ -- 这里手滑了
复制代码

正常情况，我们都认为错误点在 ~，而最后一个正确输入是 '1'。但词法解析器可不这么想，在我初版代码里，判断出错误是这样的：

提示是 where 错了，而且提示是 .，有点摸不着头脑。

读者可能已经想到了，这个问题与文法结构有关，我们看 fromClause 的文法描述：

const fromClause = () =>chain("from",tableSources,optional(whereStatement),optional(groupByStatement),optional(havingStatement))();
复制代码

虽然实际传入的 where 语句多了一个 ~ 符号，但由于文法认为整个 whereStatement 是可选的，因此出错后会跳出，跳到 b 的位置继续匹配，而显然 groupByStatement 与 havingStatement 都不能匹配到 where，因此编译器认为 “不会从 b where a = '1' ~” 开始就有问题吧？因此继续往回追溯，从 tableName 开始匹配：

const tableName = () =>chain([matchWord, chain(matchWord, ".", matchWord)()])();
复制代码

此时第一次走的 b where a = '1' ~ 路线对应 matchWord，因此尝试第二条路线，所以认为 where 应该换成 .。

要解决这个问题，首先要 承认这个判断是对的，因为这是一种 错误提前的情况，只是人类理解时往往只能看到最后几步，所以我们默认用户想要的错误信息，是 正确匹配链路最长的那条，并对 onMatchNode 作出下面优化：

将 lastMatch 对象改为 lastMatchUnderShortestRestToken:

if (!lastMatchUnderShortestRestToken ||(lastMatchUnderShortestRestToken &&lastMatchUnderShortestRestToken.restTokenCount > restTokenCount)
) {lastMatchUnderShortestRestToken = {matchNode,token: matchResult.token,restTokenCount};
}
复制代码

也就是每次匹配到正确字符，都获取剩余 Token 数量，只保留最后一匹配正确 且剩余 Token 最少的那个。

3 总结

做语法解析器错误提示功能时，再次刷新了笔者三观，原来我们以为的必然，在编译器里对应着那么多 “可能”。

当我们遇到一个错误 SQL 时，错误原因往往不止一个，你可以随便截取一段，说是从这一步开始就错了。语法解析器为了让报错符合人们的第一直觉，对错误信息做了过滤，只保留剩余 Token 数最短的那条错误信息。

4 更多讨论

讨论地址是：精读《手写 SQL 编译器 - 错误提示》 · Issue #101 · dt-fe/weekly

如果你想参与讨论，请点击这里，每周都有新的主题，周末或周一发布。