SQLGlot，一个气势恢宏的 Python 库！

极简安装与基础转译

说到安装，SQLGlot可以说是毫无门槛。一个简单的pip命令就能搞定。它提供了核心的纯Python版本，如果你追求极致性能，还有可选的Rust加速版可供选择。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

# 安装sqlglot（基础版本）
!pip install sqlglot
import sqlglot
print(f"SQLGlot版本: {sqlglot.__version__}")
print(f"支持方言数: {len(sqlglot.dialects.DIALECTS)}")

执行一下，结果一目了然：

SQLGlot版本：25.30.0
支持方言数：31
核心特性：无依赖纯Python实现

看，一个无依赖的纯Python包，却覆盖了多达31种SQL方言，这个起点已经相当扎实了。

跨方言SQL转换实战

这才是SQLGlot的“杀手锏”。不同数据库的语法差异，尤其是日期函数这类细节，常常让人头疼。用它的transpile方法，转换工作变得异常轻松。

# DuckDB的时间函数转译为Hive语法
duckdb_sql = "SELECT EPOCH_MS(1618088028295)"
transpiled = sqlglot.transpile(duckdb_sql, read="duckdb", write="hive")[0]
print(f"DuckDB原始SQL: {duckdb_sql}")
print(f"Hive转译后: {transpiled}")

# Spark SQL转译为Presto
spark_sql = "SELECT DATE_FORMAT(date, 'yyyy-MM-dd') FROM table"
presto_sql = sqlglot.transpile(spark_sql, read="spark", write="presto")[0]
print(f"Spark转Presto: {presto_sql}")

看看转换效果：

DuckDB原始SQL: SELECT EPOCH_MS(1618088028295)
Hive转译后: SELECT FROM_UNIXTIME(1618088028295 / POW(10, 3))
Spark转Presto: SELECT DATE_FORMAT(date, '%Y-%m-%d') FROM table

它不只是简单替换关键字，而是真正理解了函数语义，并给出了目标方言下的等价实现。比如将DuckDB的EPOCH_MS转换为Hive的FROM_UNIXTIME并处理了毫秒转换，这种深度转换才是其价值所在。

表达式构建与动态SQL

除了转译，程序化地构建SQL也是常见需求。SQLGlot提供了一套流畅的API，让你像搭积木一样组合出复杂的查询。

from sqlglot import select, condition

# 动态构建WHERE条件
where_clause = condition("age > 18").and_("status = 'active'")
sql = select("*").from_("users").where(where_clause).sql()
print(f"动态构建SQL: {sql}")

# 链式调用构建复杂查询
complex_sql = select("name", "COUNT(*) as cnt")\
    .from_("orders")\
    .where("amount > 100")\
    .group_by("name")\
    .ha ving("cnt > 5")\
    .sql(dialect="postgres")
print(f"复杂查询: {complex_sql}")

构建结果清晰且符合语法：

动态构建SQL：SELECT * FROM users WHERE age > 18 AND status = 'active'
复杂查询：SELECT name, COUNT(*) as cnt FROM orders WHERE amount > 100 GROUP BY name HA VING cnt > 5

这种方式特别适合需要根据运行时条件动态生成SQL的场景，避免了繁琐且易错的字符串拼接。

AST解析与元数据提取

SQLGlot不仅仅是个翻译官，它更是一个解析器。它能将SQL语句解析成抽象语法树（AST），这扇门一打开，能做的事情就多了。比如，轻松提取出查询中涉及的所有表和列。

from sqlglot import parse_one, exp

# 解析SQL并提取表名和列名
sql = "SELECT a.id, b.name FROM table_a a JOIN table_b b ON a.id = b.ref_id"
parsed = parse_one(sql)

print("所有表引用:")
for table in parsed.find_all(exp.Table):
    print(f"  - {table.name}")

print("\n所有列引用:")
for column in parsed.find_all(exp.Column):
    print(f"  - {column.table}.{column.name}")

运行一下，数据血缘的基础信息就全出来了：

所有表引用：
  - table_a
  - table_b
所有列引用：
  - a.id
  - b.name
  - a.id
  - b.ref_id

这对于构建数据目录、分析SQL依赖关系或者进行影响性分析，都是至关重要的第一步。

AST变换与SQL改写

掌握了AST，你甚至可以扮演“SQL外科医生”的角色。通过自定义转换函数，对AST节点进行修改，从而实现SQL的批量自动化改写。

from sqlglot import parse_one, exp

sql = "SELECT a, b FROM original_table"
parsed = parse_one(sql)

# 定义变换函数：将所有列名转为大写
def transformer(node):
    if isinstance(node, exp.Column):
        node.args["this"] = exp.to_identifier(node.name.upper())
    return node

transformed = parsed.transform(transformer)
print(f"原始SQL: {sql}")
print(f"变换后: {transformed.sql()}")

看，一个简单的规则就实现了列名标准化：

原始SQL：SELECT a, b FROM original_table
变换后：SELECT A, B FROM original_table

想象一下，你可以用类似的方法统一别名规范、重写查询逻辑，或者实施安全策略（比如自动为查询添加租户过滤条件），潜力巨大。

优势对比分析与建议

那么，SQLGlot在同类工具中处于什么位置？简单做个对比就清楚了。

与sqlparse这类主要做词法分析的库相比，SQLGlot是完整的解析器，能理解SQL结构，并能进行跨方言的语义转换，功能深度不在一个层级。

与Ja va生态里功能强大的Druid或JSqlParser相比，SQLGlot的优势在于其纯Python实现和零外部依赖，与Python数据栈（如Pandas、PySpark）的集成几乎是无缝的，非常轻便。

当然，凡事都有两面性。作为纯Python实现，在处理超大规模或极其复杂的SQL时，其解析速度可能不及用C/C++编写的底层工具。这是在选择时需要权衡的一点。

总的来说，如果你的工作场景涉及跨数据库迁移、SQL代码标准化、数据血缘分析，或者需要动态生成SQL，SQLGlot是一个非常值得优先考虑的工具。它用一种相对优雅的方式，解决了SQL生态碎片化带来的诸多麻烦。