<h2>nom 简介</h2> nom 是 Rust 生态中非常受欢迎的解析框架：性能优秀、组合灵活，并且能很好地利用 Rust 的类型系统。Databend 在 SQL 表达式和语句解析上大量使用 nom，开发体验不错，可读性也高。
不过，组合式 parser 容易在不经意间埋下性能隐患——尤其是当多个分支结构相似、再加上递归嵌套时，回溯成本会指数级膨胀。
/// 一个简单的 parser：匹配 "foo" 或 "bar"
fn foo_or_bar(input: &str) -> IResult<&str, &str> {
alt((
tag("foo"),
tag("bar"),
))(input)
}
问题案例：function 嵌套拖慢解析
一次用户反馈里，我们收到了一条解析 20 分钟都跑不完的 SQL。火焰图清楚地显示：函数解析反复尝试、层层回溯。 
select json_object_insert(
json_object_insert(
json_object_insert(
json_object_insert(
json_object_insert(
'{}'::variant,
'email_address', 'gokul', true,
'home_phone', 12345, true,
'mobile_phone', 345678, true,
'race_code', 'M', true
),
'race_desc', 'm', true,
'marital_status_code', 'y', true,
'marital_status_desc', 'yu', true,
'prefix', 'hj', true
),
'first_name', 'g', true,
'last_name', 'p', true,
'deceased_date', '2085-05-07', true,
'birth_date', '6789', true
),
'middle_name', '89', true,
'middle_initial', '0789', true,
'gender_code', '56789', true,
'gender_desc', 'm', true
),
'home_phone_line_type', 'uyt', true,
'mobile_phone_line_type', 4, true
);
当时的函数解析写法大致如下：
let function_call = map(
rule! {
#function_name
~ "(" ~ DISTINCT? ~ #comma_separated_list0(subexpr(0))? ~ ")"
},
|(name, _, opt_distinct, opt_args, _)| ExprElement::FunctionCall { .. },
);
let function_call_with_lambda = map(
rule! {
#function_name
~ "(" ~ #subexpr(0) ~ "," ~ #lambda_params ~ "->" ~ #subexpr(0) ~ ")"
},
|(name, _, arg, _, params, _, expr, _)| ExprElement::FunctionCall { .. },
);
let function_call_with_window = map(
rule! {
#function_name
~ "(" ~ DISTINCT? ~ #comma_separated_list0(subexpr(0))? ~ ")"
~ #window_function
},
|(name, _, opt_distinct, opt_args, _, window)| ExprElement::FunctionCall { .. },
);
let function_call_with_within_group_window = map(
rule! {
#function_name
~ "(" ~ DISTINCT? ~ #comma_separated_list0(subexpr(0))? ~ ")"
~ #within_group
~ #window_function?
},
|(name, _, opt_distinct, opt_args, _, order_by, window)| ExprElement::FunctionCall { .. },
);
let function_call_with_params_window = map(
rule! {
#function_name
~ "(" ~ #comma_separated_list1(subexpr(0)) ~ ")"
~ "(" ~ DISTINCT? ~ #comma_separated_list0(subexpr(0))? ~ ")"
~ #window_function?
},
|(name, _, params, _, _, opt_distinct, opt_args, _, window)| ExprElement::FunctionCall { .. },
);
rule! {
#function_call_with_lambda : "`function(..., x -> ...)`"
| #function_call_with_window : "`function(...) OVER ([ PARTITION BY <expr>, ... ] [ ORDER BY <expr>, ... ] [ <window frame> ])`"
| #function_call_with_within_group_window: "`function(...) [ WITHIN GROUP ( ORDER BY <expr>, ... ) ] OVER ([ PARTITION BY <expr>, ... ] [ ORDER BY <expr>, ... ] [ <window frame> ])`"
| #function_call_with_params_window : "`function(...)(...) OVER ([ PARTITION BY <expr>, ... ] [ ORDER BY <expr>, ... ] [ <window frame> ])`"
| #function_call : "`function(...)`"
}
这段代码对阅读者非常友好，但也有两个特征：
- 所有分支都以
function(...)起手； - 深度优先的
alt每次匹配失败都会回溯到下一个分支。
在上面这种五层嵌套、每层模式数量为 5 的场景里，最常见的 “纯函数调用” 分支放在最后，实际要尝试 5^5 = 3125 次才能命中。复杂度飙升到 O(m^n)，性能立刻崩掉。
优化方案一：折叠相似分支，避免指数级回溯
问题根源是”结构高度相似 + 递归 + 深度优先回溯”。我们把多个分支折叠成一次解析，再根据匹配到的后缀来决定具体的函数类型，相当于把流程变成了”先整体匹配，再分类处理”的广度优先思路：
let function_call_body = map_res(
rule! {
"(" ~ DISTINCT? ~ #subexpr(0)? ~ ","? ~ (#lambda_params ~ "->" ~ #subexpr(0))? ~ #comma_separated_list1(subexpr(0))? ~ ")"
~ ("(" ~ DISTINCT? ~ #comma_separated_list0(subexpr(0))? ~ ")")?
~ #within_group?
~ #window_function?
},
|(
_,
opt_distinct_0,
first_param,
_,
opt_lambda,
params_0,
_,
params_1,
order_by,
window,
)| {
match (
first_param,
opt_lambda,
opt_distinct_0,
params_0,
params_1,
order_by,
window,
) {
(
Some(first_param),
Some((lambda_params, _, arg_1)),
None,
None,
None,
None,
None,
) => Ok(FunctionCallSuffix::Lambda { .. }),
(
Some(first_param),
None,
None,
params_0,
Some((_, opt_distinct_1, params_1, _)),
None,
window,
) => Ok(FunctionCallSuffix::ParamsWindow { .. }),
(first_param, None, opt_distinct, params, None, Some(order_by), window) => {
Ok(FunctionCallSuffix::WithInGroupWindow { .. })
}
(first_param, None, opt_distinct, params, None, None, Some(window)) => {
Ok(FunctionCallSuffix::Window { .. })
}
(first_param, None, opt_distinct, params, None, None, None) => {
Ok(FunctionCallSuffix::Simple { .. })
}
_ => Err(nom::Err::Error(ErrorKind::Other(
"Unsupported function format",
))),
}
},
);
一次解析完成所有结构匹配，再根据分支类型装配结果，直接消除了指数级回溯。该优化落地后，原先需要几十分钟的 SQL 如今只要几十毫秒。
优化方案二：高频 Token 解析直接 hard code
function 回溯问题解决后，我们又在表达式解析上抓到了第二个热点：Binary/Unary/Json Operator 等简单 token 被频繁命中，而原先的实现是 alt + value + rule! 的组合。这个组合每次调用都要：
- 构造闭包；
- 包装错误信息；
- 构建返回值；
- 再进入下一层 parser。
对于几乎只包含单个 token 的场景，直接手写匹配会快得多。Databend 的 expr 有 49 个分支，热度非常高，把这些分支 hard code 掉收益极可观。以下是 json_op 替换前后的实现：
// 原实现：alt + rule!
pub fn json_op(i: Input) -> IResult<JsonOperator> {
alt((
value(JsonOperator::Arrow, rule! { "->" }),
value(JsonOperator::LongArrow, rule! { "->>" }),
value(JsonOperator::HashArrow, rule! { "#>" }),
value(JsonOperator::HashLongArrow, rule! { "#>>" }),
value(JsonOperator::Question, rule! { "?" }),
value(JsonOperator::QuestionOr, rule! { "?|" }),
value(JsonOperator::QuestionAnd, rule! { "?&" }),
value(JsonOperator::AtArrow, rule! { "@>" }),
value(JsonOperator::ArrowAt, rule! { "<@" }),
value(JsonOperator::AtQuestion, rule! { "@?" }),
value(JsonOperator::AtAt, rule! { "@@" }),
value(JsonOperator::HashMinus, rule! { "#-" }),
))(i)
}
// 新实现：hard code
macro_rules! op_branch {
($i:ident, $token_0:ident, $($kind:ident => $op:expr),+ $(,)?) => {
match $token_0.kind {
$(
TokenKind::$kind => return return_op($i, 1, $op),
)+
_ => (),
}
};
}
pub(crate) fn json_op_simple(i: Input) -> IResult<JsonOperator> {
if let Some(token_0) = i.tokens.first() {
op_branch!(
i, token_0,
RArrow => JsonOperator::Arrow,
LongRArrow => JsonOperator::LongArrow,
HashRArrow => JsonOperator::HashArrow,
HashLongRArrow => JsonOperator::HashLongArrow,
Placeholder => JsonOperator::Question,
QuestionOr => JsonOperator::QuestionOr,
QuestionAnd => JsonOperator::QuestionAnd,
AtArrow => JsonOperator::AtArrow,
ArrowAt => JsonOperator::ArrowAt,
AtQuestion => JsonOperator::AtQuestion,
AtAt => JsonOperator::AtAt,
HashMinus => JsonOperator::HashMinus,
);
}
Err(nom::Err::Error(Error::from_error_kind(
i,
ErrorKind::Other("expecting `->`, '->>', '#>', '#>>', '?', '?|', '?&', '@>', '<@', '@?', '@@', '#-', or more ..."),
)))
}
#[inline]
fn return_op<T>(i: Input, start: usize, op: T) -> IResult<T> {
Ok((i.slice(start..), op))
}
Benchmark
bench fastest │ slowest │ median │ mean │ samples │ iters
╰─ dummy │ │ │ │ │
├─ test_json_op_parse 413.8 ns │ 2.817 µs │ 441.3 ns │ 482.6 ns │ 100 │ 100
╰─ test_json_op_parse_simple 35.41 ns │ 54.89 ns │ 37.1 ns │ 37.61 ns │ 100 │ 6400
hard code 版本能带来约 10 倍的收益。
ASM 分析：硬件视角的差异
借助 cargo asm -p databend-common-ast --lib databend_common_ast::parser::expr::json_op，我们对比了两种实现的汇编：
| 对比点 | alt + value + rule! | hard code | | :———— | :————————————————————- | :—————————— | | 栈内存使用量 | sub rsp, 288，每次调用都要分配 288 字节 | 几乎无显式栈分配 | | 初始化逻辑 | 运行时逐项构造数组（字符串指针、长度、标志位） | 直接跳转静态表或编译期常量 | | 寄存器操作 | 大量 mov、lea，说明在构建临时数据 | 少量跳表与分支，路径短 | | 函数调用 | 调 <Alt>::choice，参数来自刚构造的数组 | 调同一函数，但参数是静态常量 | | 代码长度 | 很长、展开明显 | 精简，便于 CPU 预测/缓存 | | 性能结论 | 每次解析都重复构造数据，吞吐量低 | 纯分支判断，常量折叠，性能稳定 |
经验总结
- 合并结构相似的 parser，避免深度优先 + 回溯导致的指数级爆炸。
- 高频、简单 token 的解析直接 hard code，省掉闭包、错误包装等额外成本。
- 及时查看火焰图，能发现异常深的解析栈。
- 必要时对热点路径做汇编级分析，更容易验证优化方向。
这两项优化落地后，Databend 的函数调用解析从分钟级降到毫秒级，表达式解析也获得了量级上的性能提升。
关于 Databend
Databend 是一款开源、弹性、低成本，基于对象存储也可以做实时分析的新式湖仓。期待您的关注，一起探索云原生数仓解决方案，打造新一代开源 Data Cloud。
👨💻 Databend Cloud：databend.cn
📖 Databend 文档：docs.databend.cn
💻 Wechat：Databend
✨ GitHub：github.com/databendlab…
</div>未经允许不得转载：紫竹林-程序员中文网 » Databend SQL nom Parser 性能优化
