任意执行一条 SELECT SQL,如何解析出访问的字段信息、判断结果集中的每一列数据来自哪些库和表中的哪些字段呢?本文将介绍解决此问题的技术方案。
应用场景
从 SQL 中解析访问的原始字段信息有一定难度,但是非常有用。一个典型的应用就是动态数据脱敏。动态数据脱敏是指数据以明文形式存储在介质中,在查询的时候根据用户权限动态地将敏感数据进行脱敏后展示。例如执行以下 SQL 时,将结果集中涉及员工邮箱和薪资信息的列数据,按照不同列对应的脱敏算法做了脱敏处理。
问题定义
输入:SQL
输出:结果集中的每一列所涉及的数据库、表和字段信息
技术方案
SQL 语法解析
语法解析的目的是将 SQL 文本转化为抽象语法树(Abstract Syntax Tree, AST),方便后续通过编程形式进行分析处理。以 OceanBase MySQL 兼容模式为例,使用 ANTLR4 作为解析器生成器,从 此处 获取 .g4 语法文件。编译生成对应的 Parser,然后就可以基于 Visitor 访问 AST 从 SQL 中提取想要的信息了。
举个例子,对于以下 SQL:
SELECT tb.col FROM tb WHERE col1='abc';
解析成的 AST 如下:其中,每个节点对应语法文件中定义的一个 Token。例如,语法文件中对 SELECT 子句的起始 Token 定义为select_expr_list
,则可以从 select_expr_list 节点的子节点中获取 SELECT 子句中使用的列信息。
可以发现,直接访问 AST 来提取 SQL 中的关键信息是比较困难和低效的,因为需要对语法文件和 AST 的结构有清晰的了解。因此,推荐使用 ob-sql-parser。它是开源的基于 ANTLR4 构建的 SQL 解析器,可以将 SQL 文本翻译成 Pojo 类,让程序员可以像操作普通 Java 对象一样处理 SQL。对于上面的 SQL,其处理后的对象结构如下:
SQL Text
└──Statement: Select
└──selectBody: SelectBody
├──selectItems: List<Projection>
│ └──Projection
| └──column: Expression
| └──RelationReference: tb.col
├──froms: List<FromReference>
│ └──NameReference: tb
└──where: Expression
└──CompoundExpression: col1='abc'
SELECT 字段检测
一条完整的 SELECT 语句中有且仅有以下类型的子句:
- FROM 子句
SELECT * FROM table1;
- JOIN 子句
SELECT * FROM table1 JOIN table2;
- SELECT 子句
SELECT col1, col2+col3, func(col4, col5) FROM table1;
- 子查询
SELECT
( SELECT id FROM test_data_masking_1 t1 LIMIT 1 ) > 100 AS subquery
FROM
DUAL;
- 集合运算
SELECT * FROM table1
UNION ALL
SELECT * FROM table2;
- 通用表表达式(Common Table Expressions,CTE)
WITH cte (col_1, col_2)
AS (
SELECT col1, col2 FROM table1
)
SELECT * FROM cte;
下面我们逐个分析这些子句对应的字段提取方案。
FROM 子句
形如 SELECT * FROM t;
。此时,只需要访问数据库获取表 t 的字段信息,即可计算出输出列对应的字段。
注意点:
- FROM 子句中如果没有显式指定库名,需要使用当前所在库名代替
- 需要对内置
DUAL
表做特殊处理
JOIN 子句
形如 SELECT * FROM t1 JOIN t2;
。具体语法格式如下:
joined_table: {
table_reference {[INNER | CROSS] JOIN | STRAIGHT_JOIN} table_factor [join_specification]
| table_reference {LEFT|RIGHT} [OUTER] JOIN table_reference join_specification
| table_reference NATURAL [INNER | {LEFT|RIGHT} [OUTER]] JOIN table_factor
}
join_specification: {
ON search_condition
| USING (join_column_list)
}
join_column_list:
column_name [, column_name] ...
对于简单的 JOIN 查询,输出列是由多张表按 JOIN 的顺序拼接而成。此时分别查询表结构,即可计算出输出列对应的字段。
对于NATURAL JOIN
和JOIN USING (columnList)
查询,输出列会根据字段名进行合并。合并后的每个列可能会对应多个原始字段。合并规则如下:
- 同名(或在
columnList
中)的列,按照其在左边表中的顺序放在输出列的最左侧 - 不同名的列,按照先左边表后右边表的顺序依次排序
SELECT 子句
形如SELECT col1, col2+col3, func(col4, col5) FROM t;
。此时,先单独处理 FROM 子句,即处理 SELECT * FROM t
获取输出列,然后处理 SELECT 子句中的内容。
注意点:
- SELECT 子句中引用的列名如果能唯一确定,则库名可以省略,否则为语法错误
- SELECT 子句和 FROM 子句中都可以混合使用原名和别名,因此编码时存储的元信息应包括:库名、表名、表别名、列名、列别名
- SELECT 子句中可以使用常数、表达式、函数、子查询等,需要分别专门处理
子查询
子查询可以出现在 SELECT 子句、FROM 子句、WHERE 子句和 HAVING 子句等几乎任何地方。我们可以将子查询分为两类专门处理:
- 非关联子查询,形如
SELECT * FROM (SELECT a FROM t)
。可以将其按独立的 SELECT 语句进行处理。 - 关联子查询,形如
SELECT (SELECT CONCAT(t1.a, t2.b) FROM t2 LIMIT 1) FROM t1
。子查询中会使用子查询之外的表(外部表),因此需要使用一个变量,存储子查询所在当前外部表层级的中间结果集,形如List<Map<输出列, List<物理库表列>>>
。**需要注意的是,子查询的不同层级外部表的别名可以重复,按从内到外的顺序依次匹配,以先匹配到的为准。**子查询外部不能引用子查询内部的中间结果集,所以存储相关信息的变量的结构可以是一个栈,每次完成一个层级子查询的处理后,将相应的外部表信息出栈。
可以参考以下包含多层关联子查询的 SQL 来理解上面的内容:
SELECT
CONCAT(
name,
' - ',
(
SELECT
CONCAT(
t2.salary,
' - ',
(
SELECT
/*
这里需要注意列匹配顺序:从最里层到最外层逐次匹配
1. 虽然 test_data_masking_2 和 test_data_masking_3 都有 id 字段
且别名都叫 t2,但是这里的 t2.id 取值是 test_data_masking_3.id
2. level 字段只在 test_data_masking_3 存在,因此取值是 test_data_masking_3.level
3. t1.name 唯一确定是 test_data_masking_1.name
4. name 按从内到外顺序,匹配的是 test_data_masking_3.name
*/
CONCAT(t2.id, level, ' - ', t1.name, ' - ', name)
FROM
test_data_masking_3 t2
LIMIT
1
)
)
FROM
test_data_masking_2 t2
LIMIT
1
)
) AS output
FROM
test_data_masking_1 t1;
集合运算
集合运算的处理比较简单,将两张表的输出列所对应的物理库表列按以下规则合并即可。需要注意两张中间表的列数必须相同。
运算符 | 返回值 |
---|---|
UNION | 返回任意查询选择的所有不同行。 |
UNION ALL | 返回任意查询选择的所有行,并包括所有重复项。 |
INTERSECT | 返回两个查询都选择的所有不同行。 |
MINUS | 返回第一个查询选择的所有不同行,但其中不包括出现在第二个查询中的行。 |
通用表表达式(CTE)
CTE 的语法格式如下:
with_clause:
WITH [RECURSIVE]
cte_name [(col_name [, col_name] ...)] AS (subquery)
[, cte_name [(col_name [, col_name] ...)] AS (subquery)] ...
其本质上就是在 SELECT 语句执行前引入一些名为cte_name
的“临时表”,这些临时表是由 CTE 中的subquery
(SELECT 语句)动态生成并仅供在当前 SQL 中引用。因此需要在处理 SELECT 语句前先将 CTE 定义的临时表构建出来。
非递归 CTE 的处理方式和普通 SELECT 语句一致。需要注意的是,CTE 定义中可以包含多个临时表的定义,顺序是从前往后,后面的 CTE 可以引用前面已经定义的临时表。另外,临时表定义本身也可以使用 CTE,与嵌套子查询类似,里层的 CTE 定义可以引用外层已经定义的 CTE。
递归 CTE 的subquery
包含两个部分:初始化 SELECT 语句和递归 SELECT 语句,二者用UNION ALL
或UNION [DISTINCT]
分开,形如:
WITH RECURSIVE
cte (id, name) AS (
SELECT id, name FROM test_data_masking_1 t1 WHERE t1.id = 1
UNION ALL
SELECT id+1, name FROM cte where id <= 10
)
SELECT * FROM cte;
可以看到,初始化 SELECT 语句确定了 CTE 定义的临时表的列,这部分按照普通 SELECT 语句处理即可。处理递归 SELECT 语句时,将初始化 SELECT 语句的输出作为递归 SELECT 的额外输入即可。这里需要考虑敏感数据传递的情况,例如:
假设tab_1.col1
是敏感字段,初始化 SELECT 语句解析完成后,仅c1
列包含敏感数据。然后处理递归 SELECT 语句,可以看到,第 1 次递归后(即结果集第 2 行)c2
列包含了敏感数据;第 2 次递归后c3
列也包含了敏感数据;第 3 次递归后依然只有c1
、c2
、c3
包含敏感数据。可以得出结论:每次递归之后,敏感列数量要么增加,要么不变。如果敏感列不变,则之后的递归都不会再增加敏感列。
编程实现
基于上述技术方案,本节介绍 Java 的编程实现,可以在 此处 查看完整源码。
首先,也是最最重要的,是对SQL 处理过程中需要记录的字段和临时表做合适的抽象。这里所说的“临时表”并不是数据库系统中的临时表,而是指用来描述子查询、CTE 和 FROM 子句形成的中间计算结果的“表”。每个临时表中包含了多个字段(列),每个字段又由来自不同临时表的字段计算而成。表和表,表和字段,字段和字段之间是相互依赖的。此时,我们可以使用树形结构来描述。
对应的 Java 对象结构如下:
public class LogicalTable {
private String name;
private String alias;
private List<LogicalColumn> columnList;
/**
* Only used when there is more than one from tables
*/
private List<LogicalTable> tableList;
}
public class LogicalColumn {
private String name;
private String alias;
private ColumnType type;
/**
* Only used when type is PHYSICAL
*/
private String databaseName;
private String tableName;
/**
* Only used when type is not PHYSICAL
*/
private List<LogicalColumn> fromList;
}
LogicalTabl
用来存储临时表信息,包括表名、表别名和其内部包含的列信息。FROM 子句中可能查询了多张表,虽然这些表中的字段信息在columnList
中已经有记录,但是考虑到在外层引用是可能使用表名或表别名,因此需要使用tableList
来记录这些表信息。
LogicalColumn
用来存储字段信息,包括字段名、字段别名和类型。当该字段对应物理库中的字段时,还需要填充库名和表名信息。当改字段是由其他多个字段计算而成时,则需要使用fromList
来存储这类信息。
使用枚举类型 ColumnType
来定义字段的类型:
public enum ColumnType {
/**
* Physical column (Column that actually exist in the database system)
*/
PHYSICAL,
/**
* Temporary columns inherited directly from the underlying temporary table
*/
INHERITANCE,
/**
* Temporary column formed by the underlying temporary table through computation
*/
COMPUTATION,
/**
* Temporary column formed by the underlying temporary table through function call
*/
FUNCTION_CALL,
/**
* Temporary column formed by the underlying temporary table through case when
*/
CASE_WHEN,
/**
* Temporary column formed by the select body
*/
SELECT,
/**
* Temporary column formed by the constant
*/
CONSTANT,
/**
* Temporary column formed by the underlying temporary table through join operation
*/
JOIN,
/**
* Temporary column formed by the underlying temporary table through union operation
*/
UNION;
public boolean isTemporary() {
return this != PHYSICAL;
}
}
对于 SELECT SQL 各个子句的处理,需要按序依次处理 CTE、FROM 子句、SELECT 子句和集合运算。在处理过程中,需要时刻对照 ob-sql-parser 中对 SELECT 语句的抽象模型,具体如下(参考源码):
这个思维导图看起来很复杂,穷举每一种情况是几乎不可能完成的。其实,大部分抽象节点的类型是重复的,我们只需要对每一种类型进行处理,然后在编程过程中巧妙的使用递归算法即可。此部分实现的核心 500 行代码在 此处 ,文中不做赘述。
当我们处理完 SELECT SQL 的所有子句,得到上图根节点对应的 LogicalTable 对象后,即可反向计算出 SQL 执行结果集中的每一列所涉及的原始库表列信息。计算方法如下:
- 第一层节点顺序依次对应结果集的每一列,LogicalColumn 的 alias 字段非空时即为列名,否则 name 字段为列名
- 以每个第一层节点作为根节点,遍历树,收集所有 type 为 PHYSICAL 的列,即可得到结果集列关联的原始库表列
💡 本文介绍的技术方案应用在 OceanBase Developer Center 的动态数据脱敏中。获取源码及更多详情,请访问我们的 GitHub 仓库:https://github.com/oceanbase/odc。