前言
最近在集中学习mysql源码，刚好分了几个主题，涉及到词法解析、语法解析、查询器、优化器等。刚好把准备的PPT内容摘出来整理成相应的文章。
Mysql版本： 8.0.20
调试工具 ： lldb
系统环境 ： MacOS 10.14.3
在了解词法解析之前，我们带着几个问题来切入：
（1）什么是词法解析？
（2）Mysql 8.0.20词法解析有什么优化？
（3）Mysql 8词法解析都有什么过程？
1.什么是词法解析？
词法分析（lexical analysis）是计算机科学中将字符序列转换为单词（Token）序列的过程。进行词法分析的程序或者函数叫作词法分析器（Lexical analyzer，简称Lexer），也叫扫描器（Scanner）。词法分析器一般以函数的形式存在，供语法分析器调用。
词法分析阶段是编译过程的第一个阶段，是编译的基础。这个阶段的任务是从左到右一个字符一个字符地读入源程序，即对构成源程序的字符流进行扫描然后根据构词规则识别单词(也称单词符号或符号)。词法分析程序实现这个任务。词法分析程序可以使用Lex等工具自动生成。
词法分析是编译程序的第一个阶段且是必要阶段；词法分析的核心任务是扫描、识别单词且对识别出的单词给出定性、定长的处理；实现词法分析程序的常用途径:自动生成,手工生成。
自动生成词法可以参照我之前写的一篇文章：
https://blog.csdn.net/byxiaoyuonly/article/details/107851764
2.词法解析
2.1 词法解析状态机
词法解析状态机是在词法解析的扫描阶段执行的过程，下图2-1-1是状态解析token的执行过程：
状态机的主要用途就是解析token时的执行过程，比如MY_LEX_IDENT状态机会循环匹配字符后，解析字符并返回对应的token。
| 对应状态机 | 备注 |
|---|---|
| MY_LEX_START | 开始解析token |
| MY_LEX_CHAR | 解析单个字符例如*、:、; |
| MY_LEX_IDENT | 解析字符串，匹配关键词，例如“table”、“select” 等 |
| MY_LEX_IDENT_SEP | 找到字符'.' |
| MY_LEX_IDENT_START | 从'.'开始解析token |
| MY_LEX_REAL | 不完全实数 |
| MY_LEX_HEX_NUMBER | hex字符串 |
| MY_LEX_BIN_NUMBER | bin字符串 |
| MY_LEX_CMP_OP | 不完全比较运算符 |
| MY_LEX_LONG_CMP_OP | 不完全比较运算符 |
| MY_LEX_STRING | 字符串 |
| MY_LEX_COMMENT | Comment |
| MY_LEX_END | 结束 |
| MY_LEX_NUMBER_IDENT | 数字 |
| MY_LEX_INT_OR_REAL | 完全整数或不完全实数 |
| MY_LEX_REAL_OR_POINT | 解析.返回不完全实数，或者字符'.' |
| MY_LEX_BOOL | 布尔 |
| MY_LEX_EOL | 如果是eof，则设置状态end结束， |
| MY_LEX_LONG_COMMENT | 长C注释 |
| MY_LEX_END_LONG_COMMENT | 备注结束 |
| MY_LEX_SEMICOLON | 分隔符; |
| MY_LEX_SET_VAR | 检查:= |
| MY_LEX_USER_END | 结束'@' |
| MY_LEX_HOSTNAME | 解析hostname |
| MY_LEX_SKIP | 空格 |
| MY_LEX_USER_VARIABLE_DELIMITER | 引号字符 |
| MY_LEX_SYSTEM_VAR | 例如解析user@hostname，解析到@ |
| MY_LEX_IDENT_OR_KEYWORD | 判断返回字符串状态或者键盘键值 |
| MY_LEX_IDENT_OR_HEX | hex-数字 |
| MY_LEX_IDENT_OR_BIN | bin-数字 |
| MY_LEX_IDENT_OR_NCHAR | 判断返回字符状态，或字符串状态 |
| MY_LEX_STRING_OR_DELIMITER | 判断返回字符串状态或者空格字符状态 |
2.2 调试解析源码
我们可以一起来跟一下源码，如果不会安装编译可以看一下我之前的文章
《【Mysql源码分析】MySQL为什么有时候会选错索引及成本计算》
https://blog.csdn.net/byxiaoyuonly/article/details/107651106
我们开始调试，首先要先启动下mysql8.0.20。然后准备两个终端：一个终端用于操作mysql语句、另外一个终端用于调试使用,如图2-2-1。
可以用lldb进行调试：
#lldb -p 进程ID
根据图2-2-2我们可以得知，Mysql8.0.20会调用MYSQLlex方法进行词法解析、MYSQLlex中会调用lex_one_token进行单个token解析。如果我们要调试可以对lex_one_token去下一个断点。
(lldb)b lex_one_token 下断点后在mysql操作终端操作做一条语句例如“select * from t1;”，此时调试终端会捕获到断点，调试到图2-2-3。
根据上图我们得知第一个状态机为MY_LEX_START，执行状态机进入switch后，会通过yyPeek方法获取一个字符如图2-2-4。来判断这个字符是否为空格，不是空格后，通过“state = state_map[c];” 返回一个状态机。判断时通过state_map解析，state_map在2.3小节会介绍。
由于获取单个字符是s，s对应state_map中的状态机是MY_LEX_IDENT，MY_LEX_IDENT状态机会去匹配对应的关键词返回token。
2.3 state_map介绍
state_map是验证状态机的关键步骤，初始化该过程主要在/mysql-8.0.20/mysys/sql_chars.cc文件的init_state_maps方法中，方法实现如下：
bool init_state_maps(CHARSET_INFO *cs) {
uint i;
uchar *ident_map;
enum my_lex_states *state_map = nullptr;
lex_state_maps_st *lex_state_maps = (lex_state_maps_st *)my_once_alloc(
sizeof(lex_state_maps_st), MYF(MY_WME));
if (lex_state_maps == nullptr) return true; // 空指针OOM
cs->state_maps = lex_state_maps;
state_map = lex_state_maps->main_map;
if (!(cs->ident_map = ident_map = (uchar *)my_once_alloc(256, MYF(MY_WME))))
return true; // OOM
hint_lex_init_maps(cs, lex_state_maps->hint_map);
/* 填充状态以获得更快的解析器 */
for (i = 0; i < 256; i++) {
if (my_isalpha(cs, i))
state_map[i] = MY_LEX_IDENT; //字符串状态机
else if (my_isdigit(cs, i))
state_map[i] = MY_LEX_NUMBER_IDENT;
else if (my_ismb1st(cs, i))
/* To get whether it's a possible leading byte for a charset. */
state_map[i] = MY_LEX_IDENT;
else if (my_isspace(cs, i))
state_map[i] = MY_LEX_SKIP; //空格状态机
else
state_map[i] = MY_LEX_CHAR; //字符状态机
}
state_map[(uchar)'_'] = state_map[(uchar)'$'] = MY_LEX_IDENT;
state_map[(uchar)'\''] = MY_LEX_STRING;
state_map[(uchar)'.'] = MY_LEX_REAL_OR_POINT;
state_map[(uchar)'>'] = state_map[(uchar)'='] = state_map[(uchar)'!'] =
MY_LEX_CMP_OP; //操作符合匹配状态机
state_map[(uchar)'<'] = MY_LEX_LONG_CMP_OP;
state_map[(uchar)'&'] = state_map[(uchar)'|'] = MY_LEX_BOOL;
state_map[(uchar)'#'] = MY_LEX_COMMENT;
state_map[(uchar)';'] = MY_LEX_SEMICOLON;
state_map[(uchar)':'] = MY_LEX_SET_VAR;
state_map[0] = MY_LEX_EOL; //结束标志状态机
state_map[(uchar)'/'] = MY_LEX_LONG_COMMENT;
state_map[(uchar)'*'] = MY_LEX_END_LONG_COMMENT; //*字符匹配状态机
state_map[(uchar)'@'] = MY_LEX_USER_END; //@字符匹配状态机
state_map[(uchar)'`'] = MY_LEX_USER_VARIABLE_DELIMITER;
state_map[(uchar)'"'] = MY_LEX_STRING_OR_DELIMITER;
/*
创建第二个映射以加快查找标识符的速度
*/
for (i = 0; i < 256; i++) {
ident_map[i] = (uchar)(state_map[i] == MY_LEX_IDENT ||
state_map[i] == MY_LEX_NUMBER_IDENT);
}
/* Special handling of hex and binary strings */
state_map[(uchar)'x'] = state_map[(uchar)'X'] = MY_LEX_IDENT_OR_HEX;
state_map[(uchar)'b'] = state_map[(uchar)'B'] = MY_LEX_IDENT_OR_BIN;
state_map[(uchar)'n'] = state_map[(uchar)'N'] = MY_LEX_IDENT_OR_NCHAR;
return false;
}代码中能快速匹配状态机，就是因为初始化好了一堆的状态机map，根据字符可以匹配不同的状态机。状态机的宏在mysql-8.0.20/include/sql_chars.h文件中。
2.4 源码解析
关键代码lex_one_token解析：
static int lex_one_token(Lexer_yystype *yylval, THD *thd) {
uchar c = 0;
bool comment_closed;
int tokval, result_state;
uint length;
enum my_lex_states state;
Lex_input_stream *lip = &thd->m_parser_state->m_lip; //获得输入信息
const CHARSET_INFO *cs = thd->charset(); //获得字符集
const my_lex_states *state_map = cs->state_maps->main_map; //获得状态
const uchar *ident_map = cs->ident_map; //字符串分割符合
lip->yylval = yylval; // 全局状态
lip->start_token(); //初始化token字符串
state = lip->next_state; //获得下一个状态
lip->next_state = MY_LEX_START; //设置下一个状态
for (;;) { //循环解析状态机
switch (state) {
case MY_LEX_START: // 开始解析token
while (state_map[c = lip->yyPeek()] == MY_LEX_SKIP) { //解析token，判断是否为空格
if (c == '\n') lip->yylineno++;
lip->yySkip(); //处理空格
}
/* Start of real token */
lip->restart_token(); //设置m_tok_start和m_cpp_tok_start
c = lip->yyGet(); //获得单个字符，并设置m_cpp_ptr,并且m_ptr移位
state = state_map[c]; //如果是字符串返回MY_LEX_IDENT 状态
break;
//...
case MY_LEX_IDENT: //解析字符串关键词，比如select、tables等
const char *start;
if (use_mb(cs)) {
result_state = IDENT_QUOTED;
switch (my_mbcharlen(cs, lip->yyGetLast())) {
case 1:
break;
case 0:
if (my_mbmaxlenlen(cs) < 2) break;
/* else fall through */
default:
int l =
my_ismbchar(cs, lip->get_ptr() - 1, lip->get_end_of_query());
if (l == 0) {
state = MY_LEX_CHAR;
continue;
}
lip->skip_binary(l - 1);
}
while (ident_map[c = lip->yyGet()]) { //循环获取字符串
switch (my_mbcharlen(cs, c)) {
case 1:
break;
case 0:
if (my_mbmaxlenlen(cs) < 2) break;
/* else fall through */
default:
int l;
if ((l = my_ismbchar(cs, lip->get_ptr() - 1,
lip->get_end_of_query())) == 0)
break;
lip->skip_binary(l - 1);
}
}
} else {
for (result_state = c; ident_map[c = lip->yyGet()]; result_state |= c)
;
/* If there were non-ASCII characters, mark that we must convert */
result_state = result_state & 0x80 ? IDENT_QUOTED : IDENT;
}
length = lip->yyLength();
start = lip->get_ptr();
if (lip->ignore_space) {
/*
If we find a space then this can't be an identifier. We notice this
below by checking start != lex->ptr.
*/
for (; state_map[c] == MY_LEX_SKIP; c = lip->yyGet()) {
if (c == '\n') lip->yylineno++;
}
}
if (start == lip->get_ptr() && c == '.' && ident_map[lip->yyPeek()]) //判断字符是否为'.' '
lip->next_state = MY_LEX_IDENT_SEP;
else { // '(' must follow directly if function
lip->yyUnget();
if ((tokval = find_keyword(lip, length, c == '('))) { //查找token
lip->next_state = MY_LEX_START; // Allow signed numbers
return (tokval); // 返回token
}
lip->yySkip(); // next state does a unget
}
yylval->lex_str = get_token(lip, 0, length);
//...
return (result_state); // IDENT or IDENT_QUOTED
//...
case MY_LEX_EOL: //'\0'结束符
if (lip->eof()) {
lip->yyUnget(); // Reject the last '\0'
lip->set_echo(false);
lip->yySkip();
lip->set_echo(true);
/* Unbalanced comments with a missing '*' '/' are a syntax error */
if (lip->in_comment != NO_COMMENT) return (ABORT_SYM);
lip->next_state = MY_LEX_END; // 设置下一个状态机为MY_LEX_END，继续循环
return (END_OF_INPUT); // 返回token
}
}
}
}3.Mysql 8.0.20词法解析有哪些优化？
在解析select * from t1; 语句过程中，mysql5会多一步MY_LEX_OPERATOR_OR_IDENT的过程。在mysql 8.0.20中优化了该过程,如图3-1。
总结
（1）状态机宏在/mysql-8.0.20/include/sql_chars.h中。
（2）快速匹配字符状态是由于init_state_maps方法提前初始化好状态map。
（3）对应的token可以在/mysql-8.0.20/sql/sql_yacc.h文件中查找到。
（4）一些字符会直接返回ASCII,例如*