Press "Enter" to skip to content

架构治理调研:规则、表达式还有语言

在上一篇文章《“分布式” 开发规范治理
》中,我们谈论到了 “分布式” 场景下,对于架构治理和规范治理的一系列问题。在那篇文章里,我们提及了一系列的工具,如 API Linter 工具 Spectral,数据库 Linter 工具 SQLFluff。而为了在 ArchGuard 中完善分布式规范的能力,便分析了几个现有的工具。

 

对于我们来说,构建一个类似的工具,需要考虑的一些因素有:

插件化。开发人员可以根据已有的守护规则,开发一些新的架构守护规则,如针对于 API 的,针对于数据库调用链路的。
可测试性。如果采用的是完全 DSL 或者 半 DSL,那幺如何让后续的
语言无关。如何不绑定于语言的语法树,而实现对于多种语言的支持。

出于这个目的,只好拿起现有的代码进行一番分析,主要有四个工具,适用于 Kotlin 语言的 KtLint、适用于 OpenAPI 的 Spectral、适用于多数据库的 SQLFluff,以及被诸如 MyBatis 采用的表达式语言 Ognl。

 

Kotlin 代码的治理:KtLint

 

KtLint 与一般的 Lint 工具稍有区别的是,它自带了一个自动格式化的功能。KtLint 整体的逻辑还是比较简单的,基于单个文件进行 AST 生成,随后针对于 AST 进行规则匹配。Ktlint 围绕于 Rule、Rulesets、RulesetsProvider 构建了规则的层级关系,同时用 Vistor (即 VisitorProvider)模式围绕 AST 进行分析,如下是 KtLint 的抽象 Rule:

 

/**
     * This method is going to be executed for each node in AST (in DFS fashion).
     *
     * @param node AST node
     * @param autoCorrect indicates whether rule should attempt auto-correction
     * @param emit a way for rule to notify about a violation (lint error)
     */    abstract fun visit(
        node: ASTNode,
        autoCorrect: Boolean,
        emit: (offset: Int, errorMessage: String, canBeAutoCorrected: Boolean) -> Unit
    )

 

如注释中所说的,三个参数代表了各自的用途。这里的 ASTNode 是来源于 Kotlin 的 AST 树(kotlin-compiler-embeddable
包)。模式上也是获取配置,然后运行检测规则:

 

val ruleSets = ruleSetProviders.map { it.value.get() }
val visitorProvider = VisitorProvider(ruleSets, debug)

 

其中对应的 visit:

 

visitorProvider
            .visitor(
                params.ruleSets,
                preparedCode.rootNode,
                concurrent = false
            ).invoke { node, rule, fqRuleId ->    }

 

在 VistorProvider 中会过滤对应的规则:

 

val enabledRuleReferences =
            ruleReferences
                .filter { ruleReference -> isNotDisabled(rootNode, ruleReference.toQualifiedRuleId()) }
        val enabledQualifiedRuleIds = enabledRuleReferences.map { it.toQualifiedRuleId() }
        val enabledRules = ruleSets
            .flatMap { ruleSet ->
                ruleSet
                    .rules
                    .filter { rule -> toQualifiedRuleId(ruleSet.id, rule.id) in enabledQualifiedRuleIds }
                    .filter { rule -> isNotDisabled(rootNode, toQualifiedRuleId(ruleSet.id, rule.id)) }
                    .map { rule -> "${ruleSet.id}:${rule.id}" to rule }
            }.toMap()
....

 

然后,再去并行或者串行地运行 Rule 里的 visit。

 

而对于规则的方式是通过 ServicesLoader 进行的插件化方式:

 

private fun getRuleSetProvidersByUrl(
    url: URL?,
    debug: Boolean
): Pair<URL?, List<RuleSetProvider>> {
    if (url != null && debug) {
        logger.debug { "JAR ruleset provided with path \"${url.path}\"" }
    }
    val ruleSetProviders = ServiceLoader.load(
        RuleSetProvider::class.java,
        URLClassLoader(listOfNotNull(url).toTypedArray())
    ).toList()
    return url to ruleSetProviders.toList()
}

 

如果粒度更大的情况下,采用 Java 9 的模块是不是会更加方便?

 

基于 API 数据的 Spectral

 

与 Ktlint 不同的是 Spectral 是一个针对于 JSON/YAML Lint 的工具,特别是针对于 OpenAPI 文档(就是 swagger 的 yaml/json 文件)。与 Ktlint 相比,Spectral 最有趣的地方是,它提供了一个 JSON Path(类似于 XPath)的功能,可以针对于对象中的特定部分,进采用特定的规则。如下是 Spectral 的示例:

 

'oas3-valid-schema-example': {
  description: 'Examples must be valid against their defined schema.',
  message: '{{error}}',
  severity: 0,
  formats: [oas3],
  recommended: true,
  type: 'validation',
  given: [
    "$.components.schemas..[?(@property !== 'properties' && @ && (@ && @.example !== void 0 || @.default !== void 0) && (@.enum || @.type || @.format || @.$ref || @.properties || @.items))]",
    "$..content..[?(@property !== 'properties' && @ && (@ && @.example !== void 0 || @.default !== void 0) && (@.enum || @.type || @.format || @.$ref || @.properties || @.items))]",
    "$..headers..[?(@property !== 'properties' && @ && (@ && @.example !== void 0 || @.default !== void 0) && (@.enum || @.type || @.format || @.$ref || @.properties || @.items))]",
    "$..parameters..[?(@property !== 'properties' && @ && (@ && @.example !== void 0 || @.default !== void 0) && (@.enum || @.type || @.format || @.$ref || @.properties || @.items))]",
  ],
  then: {
    function: oasExample,
    functionOptions: {
      schemaField: '$',
      oasVersion: 3,
      type: 'schema',
    },
  },
}

 

上面对象中的given
即是针对于对象中的相关属性作为条件,执行后面的then
函数,详细可以见官方的文档:《Custom Rulesets
》。顺带一提:Spectral 采用的是nimma
作为 JSON Path 表达式。

 

Spectral 的模型

 

与 Ktlint 相比,由于 Spectral 是与 OpenAPI/Async API 进行了相关的绑定,加上特定的规则表达式,所以其数据模型稍微复杂一些。其数据模型包含了:描述,消息级别,given – then,上下文。如下所示:

recommended。是否是推荐配置。
enabled。是否允许
description。规则描述
message。错误信息
documentationUrl。文档地址。
severity。严重程度,`error`, `warn`, `info`, or `hint`。
formats。格式化标准,如 OpenAPI 2.0、OpenAPI 3.0 等。
resolved。是否已解决。
given。类似于 CSS 中的选择器,使用类似于 XPath 的 JsonPath,JSONPath
then。
field,字段
function,函数,模式
functionOptions

此外,它还有一个简单的类型系统,以及对应的表达式判断。如下:

CASES。flat、camel、pascal、kebab、cobol、snake、macro
长度:最大值、最小值。
数字
Boolean 判断。
类型系统。枚举

总的来说,Spectral 在实现上比较灵活有趣。

 

SQLFluff

 

与 Ktlint 和 Spectral 这种基于已有的数据模型的应用来说,SQLFluff 显得更有挑战性 —— 它是基于多种不同的数据库方言来构建规则的。SQLFluff 是直接基于源码来进行分析的,将不同的数据库方言转换为基本元素(分词)。随后,基于分词的类型 + 规则 ,来对它们进行处理。简单来说,就是更抽象的分词上下文,构建对应的规则上下文。如下是

segement。位于其核心的是 BaseSegment,它定义了 Lexing、Parsing 和 Linting 三个基本的元素,产生诸如:groupby_clause
orderby_clause
select_clause
等分词。
parent_stack。
siblings_pre。
siblings_post。
raw_stack。
memory。
dialect。作为语法运行时解析的基础。
path。路径。
templated_file。模板文件。

示例:

 

{
    "file": {
        "statement": {
            "select_statement": {
                "select_clause": {
                    "keyword": "SELECT",
                    "whitespace": " ",
                    "select_clause_element": {
                        "column_reference": {
                            "identifier": "foo"
                        }
                    }
                },
                "whitespace": " ",
                "from_clause": {
                    "keyword": "FROM",
                    "whitespace": " ",
                    "from_expression": {
                        "from_expression_element": {
                            "table_expression": {
                                "table_reference": {
                                    "identifier": "bar"
                                }
                            }
                        }
                    }
                }
            }
        },
        "statement_terminator": ";",
        "newline": "
"
    }
}

 

随后的规则,便是在对这些规则进行eval
,如下示例:

 

class Rule_L021(BaseRule):
    def _eval(self, context: RuleContext) -> Optional[LintResult]:
        """Ambiguous use of DISTINCT in select statement with GROUP BY."""
        segment = context.functional.segment
        if (
            segment.all(sp.is_type("select_statement"))
            # Do we have a group by clause
            and segment.children(sp.is_type("groupby_clause"))
        ):
            # Do we have the "DISTINCT" keyword in the select clause
            distinct = (
                segment.children(sp.is_type("select_clause"))
                .children(sp.is_type("select_clause_modifier"))
                .children(sp.is_type("keyword"))
                .select(sp.is_name("distinct"))
            )
            if distinct:
                return LintResult(anchor=distinct[0])
        return None

 

在这里所有的规则判断都是基于这种抽象的语法树。从某种意义上来说,构建了一个统一的抽象。本来想进一步分析,但是发现各种 SQL dialect 里是各种正则表达式,我就选择了临时性撤退。

 

表达式语言:OGNL

 

起初,我是在实现 ArchGuard Scanner 对于 MyBatis 的 SQL 生成支持时,看到了 XML 中嵌套的 OGNL 表达式,发现了 OGNL。从实现上来说,它比我之前设想的 TreeSitter 中的 S 表达式,在与数据结合的完善度上更高。同样,也可以用于这里的规则判断,可以用表达式来对数据进行匹配。

 

对象导航图语言(Object Graph Navigation Language),简称 OGNL,是应用于 Java 中的一个开源的表达式语言(Expression Language),用于获取和设置 Java 对象的属性,以及其他附加功能,例如列表投影(projection)和选择以及 lambda 表达式。您可以使用相同的表达式来获取和设置属性的值。Ognl 类包含了评估 OGNL 表达式快捷方式。它可以分两个阶段执行此操作,将表达式解析为内部形式,然后使用该内部形式设置或获取属性的值;或者可以在一个阶段完成,并直接使用表达式的字符串形式获取或设置属性。

 

Ognl.getValue("name='jerry'", oc, oc.getRoot());
String name2 = (String) Ognl.getValue("#user1.name='jack',#user1.name", oc, oc.getRoot());

 

本来想模仿 OGNL 编写一个表达式语言,但是发现使用的是 Jacc,也没有 Antlr 实现。所以,在寻找一种更合理的方式。

 

结论

 

作为相关工具的分析,这里先开个头。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注