从 SQL 到SPL基本查询语法迁移 之多表操作

上一篇我们针对单表的情形了解了如何把数据计算从 SQL 查询迁移到集算器，或者更准确地说，迁移到集算器所使用的SPL集算语言。这个迁移过程，既有相同的概念，也有不同的思路。

接下来，我们一起针对多表的情况看一下集算器和SPL语言是如何发挥更大的优势的。

JOIN 连接两个记录

在前面的例子中，我们得到了每个雇员的销售额，如果进一步还想知道每个雇员给出的最小折扣，那就又复杂了些。因为折扣信息在另一张订单明细表里。急性子的朋友可能上来就要 JOIN 两个表，然后再聚合两个测度字段——这样就算错了！正确的做法应该是每个测度字段先按分组聚合出结果，之后再 JOIN。这是因为先 JOIN 的话可能导致结果中出现重复记录。

按照这个思路写出 SQL，并和集算器中的SPL代码进行比较：

SQL

select t1.employeeId, salesAmount, lowestDiscount from (
select employeeId, sum(money) salesAmount from order
where orderDate>=’2012-01-01′ and orderDate<‘2012-02-01’
group by employeeId
having sum(money)>5000) t1
left join (
select employeeId, min(discount) lowestDiscount from order
join orderDetail on order.orderId=orderDetail.orderId
where orderDate>=’2012-01-01′ and orderDate<‘2012-02-01’
group by employeeId) t2
on t1.employeeId=t2.employeeId

A5 之前是我们做过的聚合符合条件的按雇员分组的销售额；
A6 查出订单明细表的所有数据；

A7 中的SPL用到了对应 SQL 的多表连接的新函数 join。join 函数把两个表连接起来，这里它的参数的含义是：将 A3 序表起一个别名 order，A6 序表起一个别名 orderDetail，然后用两个表各自的 orderId 作为关联字段，观察 A7 的结果如下：

可以看到，join 后形成的序表有 order、orderDetail 两个字段，两个字段的值分别直接指向了两个原始序表的记录，这就是说字段的值可以是复杂数据类型（包括序表、序列类型），也可以嵌套多层结构的数据，这是 SQL 语法里不允许的，也是SPL的特色和优势之一。

下图比较形象地说明了这种结构（长方形表示序表、椭圆形表示记录、三角形表示关联字段）：

A8 直接用SPL中的 group 函数对这个复杂结构的序表进行分组聚合运算，获得各个雇员曾经给出的最小折扣。

再需要注意的一点是 A3 序表被后面两个不同的动作（A4、A7）都使用了一次，达到了中间结果复用的效果。这种方式对于越是复杂的计算，往往作用越大，可以起到类似“数据模块化”的作用。

在 A9 中通过SPL的 join 函数把 A5（销售额超过 5000）、A8（最小折扣）两个序表连接起来；

最后，A10 使用 new 函数生成新的序表结构，而数据来自 A9 复杂结构记录的不同层次位置。

A10 最终的结果如下：

简单回顾一下，对于最后这个比较复杂的 SQL，如果你是个 SQL 高手，可能会看出第二个子查询里的 where 并不是必须的，之所以保留它，是因为有可能会缩小处理数据的范围，从而提升一些性能。这也是 SQL 的另一个特点，一方面需要不喘气的一句话把整个查询表达出来，另一方面还需要同时考虑性能优化因素，甚至即便考虑到了优化方案，也不一定能轻松、自然地描述出来。

在上面的例子中，不难体会出集算器以及SPL对分步过程的重视，每一个步骤的结果都是可以随时观察的，而且前面步骤的结果也可以重复利用，同时执行步骤也可以被程序员自由定制。这些特点最直接的好处是降低了学习和编码的难度，而更本质的是符合人的自然思维，为描述复杂计算奠定了基础。

UNION 等合并两个集合

SQL 中还有一类针对多个集合（表）的运算，就是常说的并、合、交、差（UNION、UNION ALL、INTERSECTION、MINUS），与之对应的，在SPL中表示为 &、|、^、\。

集合运算时常需要判断一条记录是否重复，在这个细节上，SQL 和SPL有一点区别。SPL里因为序表、记录，以及字段的值都被看成是一个对象，所以在进行并集运算时，可以比对元素是否为同一个对象，而 SQL 的记录是抽象的，不是一个实体对象，所以只能通过逐个比对两条记录的字段值来判断是否重复。

我们来看一下实际的例子：

A3 序表的结果：

B3 序表的结果：

A3&B3，去掉重复合并到一起，并集运算后得到 A4 序表的结果：

A3|B3，保留重复合并到一起，合集运算后得到 B4 序表的结果：

A3^B3，取 A3 和 B3 里相同的记录，交集运算后得到 A5 序表的结果：

A3\B3，A3 里去掉 B3 中存在的记录，差集运算后得到 A5 序表的结果：

其它常用语法

最后，再看两个常用的 SQL 函数语法，我们来对比看一下SPL的实现。

CASE WHEN …

SQL 中的 case when … then … else … end，在SPL中用 if 函数，语法是if(条件, 真值, 假值)，下面的例子是把 employeeId<5 的分为一组，剩余的分到另一组：

COALESCE(exp1,exp2…expn)

SPL中仍然用 if 函数，if(条件, 真值, 假值)，下面这个例子把 1000 这个特殊的值赋值给为 null 的 employeeId。

集算器（SPL）≠SQL

看完上面这些例子，会给人一个感觉：集算器，或者其中的SPL代码只是 SQL 的替代品，而常用的关系数据库系统（RDBMS）本身已经是存储能力（数据表）+ 计算能力 (SQL) 的综合体了，还要这么一个外来的计算体系干嘛？

针对这个疑问，有两个层面的答案。首先是数据层面，并非所有要计算的数据都在数据库里。当你手边有个文本、excel 或从一个网络服务临时得到一些数据想要计算，或者从大量终端采集上来的数据马上要处理出结果……如果这些都不得不倒腾到数据库里然后再计算，还真是有点太绕了，更何况还可能涉及到数据库的安装部署，或者权限控制等琐碎而现实的问题。

其次是计算层面，对于很多复杂的计算过程，SQL 因为天生缺陷无法做到开发高效、维护高效、执行效高。这也是我们这篇文章最想说明的地方，SQL 的计算主要还是面向查询，而这些对“高效”的追求，面向的是更广泛的数据计算，这正是集算器和SPL语言所要重点改善的。

正因为有了这两个层面的原因，集算器和SPL语言已经可以独立于各种数据存储形式，在“存储”和“应用”之间，作为一个功能完整、形式灵活、部署方便的“数据计算中间件”而存在。这方面的内容，我们会在后面的章节做更多的介绍和探讨。

这里，我们只是先简单看一下集算器和SPL语言如何基于文本、Excel 等数据源进行计算。事实上，前面这些例子中的计算步骤完全不用改写，只需要改变加载数据那一句就可以了。也就是把：

=A1.query(“select * from order”)

改为下列任意方式之一：

=file(“d:/data/order.txt”).import@t()// 从文本文件加载数据表

=file(“d:/data/orderDetail.xls”).importxls@t()// 从 excel 加载数据表

=httpfile(“ http:/ /127.0.0.1/service ”,” param1=value1&param2=value2″) // 从 http server 加载数据表

……

很明显，通过这种简单明了的数据加载方式，可以将各种数据源的数据形成统一的“序表”，从而在一个计算过程里可以轻松混合使用。换句话说，不必为了计算能力而要求必须统一存储方式。同样的，在集算器和SPL的环境中，计算结果的存储，也和加载数据一样方便，也是多样化的，可以由程序员自由选择。