数据文件合并与拆分

【摘要】
本文介绍将多个文本文件和 Excel 文件合并成一个文件,或者将一个文件拆分成几个小文件时,如何处理会遇到的几种情况,并用 esProc SPL 举例实现。请点击数据文件合并与拆分了解详情

 

在数据处理业务中,经常要把文件结构相同或近似相同的数据文件合并成一个文件,或者将一个比较大的数据文件拆分成小的数据文件。本文将介绍文本文件和 Excel 文件合并及拆分会遇到的几种情况,并提供用 esProc SPL 编写的代码示例。esProc 是专业的数据计算引擎,SPL 中有完善的文件导入、导出及目录操作函数,非常适合做数据文件的合并及拆分工作。

 

一、  文件合并

1.  同构文本文件合并

在某个文件目录下有多个文本文件,这些文件表头和列结构完全相同,只是数据行数和数据内容不同,需要将这些文件的数据全部合并到一个文本文件中,共用同一个表头。

示例:在e:/orders目录下有每日的订单文本文件,每个文件的结构相同,第一行是列名,第二行开始是数据,如下图所示,请将它们合并成一个订单表文件orders.txt

..

esProc SPL脚本如下:

A

注释

1

=directory@p("e:/orders/*.txt")

返回orders目录所有txt文件的完整路径名

2

=A1.conj(file(~).import@t())

合并所有文件的数据

3

=file("e:/orders.txt").export@t(A2)

将合并后的数据写入orders.txt文件

如果e:/orders还有子目录,子目录中的txt文件也需要一起合并,那么把A1格改成=directory@ps("e:/orders/*.txt"),选项@s表示递归查找所有子目录下的文件。

上面这段脚本是假设内存能够装下合并以后的全部数据,如果装不下,那么应该用下面这段脚本:

A

B

C

1

=directory@p("e:/orders/*.txt")

=file("e:/orders.txt")


2

for A1

=file(A2).cursor@t()


3


if #A2==1

=B1.export@t(B2)

4


else

=B1.export@a(B2)

A1   列出目录中的所有txt文件的完整路径名称,如果要查找子目录,则加上@s选项

A2   对列出的文件进行循环

B2   用游标读取每一个文件,@t表示第一行是列名

B3-C4   B2游标中数据导出,第一次要导出列名,其后用@a进行追加

 

2.  结构近似的文本文件合并

如果文件结构并不是完全相同,比如列的顺序不一样、列数不一样,但各文件都含有共同的几列,想要把这些共同列的数据都合并到一个文件中。合并这些文件时,需要按指定顺序读出每个文件中的这些共同列数据。

示例:还是上面这个例子,已知所有订单文件都有IDCompanyAreaOrderDateAmount5列,但各文件中列的顺序并不相同,有的文件还有其它一些列,请将各文件中的这5列数据合并到orders.txt文件中。

esProc SPL脚本如下:


A

注释

1

=directory@p("e:/orders/*.txt")

返回orders目录所有txt文件的完整路径名

2

=A1.conj(file(~).import@t(ID,Company,Area,OrderDate,Amount))

按指定的5列顺序读出各文件数据,然后合并所有文件的数据

3

=file("e:/orders.txt").export@t(A2)

将合并后的数据写入orders.txt文件

同样地,如果内存装不下合并后的所有数据,则使用下面这段脚本:


A

B

C

1

=directory@p("e:/orders/*.txt")

=file("e:/orders.txt")


2

for A1

=file(A2).cursor@t(ID,Company,Area,OrderDate,Amount)


3


if #A2==1

=B1.export@t(B2)

4


else

=B1.export@a(B2)

 

3.  文件名转成列数据

在合并数据的同时,需要为合并后的数据增加一列,并用合并前的文件名给此列赋值,以便标记数据类别或来源。

示例:在e:/orders目录下有各种零件的订单Excel文件,文件名就是零件的名字,比如tyre.xlsxengine.xlsx……等,每个文件的结构相同,第一行是列名,第二行开始是数据,如下图所示,请将它们合并成一个订单表文件orders.xlsx,并增加一列PartName用来记录零件的名字。

esProc SPL脚本如下:


A

注释

1

=directory@p("e:/orders/*.xlsx")

返回orders目录所有Excel文件的完整路径名

2

=A1.conj((fn=filename@n(~),file(~).xlsimport@t().derive(fn:PartName)))

先将文件名定义为临时变量fn,读入文件后,增加一列PartName,并用fn赋值。最后将各文件数据合并

3

=file("e:/orders.xlsx").xlsexport@t(A2)

将合并后的数据写入orders.xlsx文件

同样地,如果内存装不下合并后的所有数据,则使用下面这段脚本:


A

B

C

1

=directory@p("e:/orders/*.xlsx")

=file("e:/orders.xlsx")


2

for A1

=file(A2).xlsimport@tc().derive(filename@n(A2):PartName)


3


if #A2==1

=B1.xlsexport@ts(B2)

4


else

=B1.xlsexport@as(B2)

合并后的orders.xlsx文件部分数据如下图所示:

..

 

二、  文件拆分

1.  分组拆分

对文件中数据进行分组,把每组数据单独存为一个文件,用组名为文件命名。

示例:在订单表Excel文件中有各种零件的订单,请把同种零件的订单各存为一个Excel文件,以便发送给零件生产部门。

esProc SPL脚本如下:


A

B

1

=file(“e:/orders/orders.xlsx”).xlsimport@t()  

=A1.group(partName)

2

for B1

=file("e:/parts/"+A2(1).partName+”.xlsx”).xlsexport@t(A2)  

A1   读入所有原始数据

B1   partName分组

A2   循环每个零件组的订单信息

B2   以零件名称作为文件名,导出零件信息

 

如果原文件很大,不能全部装入内存,那么应该使用游标方式读数,脚本如下:


A

B

C

D

1

=file(“e:/orders/orders.xlsx”).xlsimport@tc()  

2

for A1,50000

=A2.group(partName)



3


for B2

=file("e:/parts/"+B3(1).partName+”.xlsx”)


4



if C3.exists()

=C3.xlsexport@a(B3)

5



else

=C3.xlsexport@t(B3)

A1   创建游标读取原始数据

A2   循环游标读数,每次读50000(读多少行根据内存大小决定)

B2   对每次读取的数据按partName分组

B3   循环每组零件

C3   以零件名称作为文件名创建文件对象

C4-D5   如果文件已存在,则用@a追加写入零件订单信息,不存在则用@t先写入列名再导入数据

 

2.  记录占据多行的拆分

在文本文件中,一条数据记录是由多行数据组成的,在拆分成小文件时,要识别哪几行是同一条数据记录,保证同一条数据记录不会被拆分到两个文件中。

示例1:有网站运行日志文件log.txt,每条日志由5行组成,现在需要把这个日志文件拆分成一些小文件,每个文件由1000条日志组成。

esProc SPL脚本如下:


A

B

1

=file(“e:/log.txt”:”UTF-8”).cursor@s()


2

for A1,5000

=file(“e:/log/log_”/#A2/”.txt”).export(A2)

A1   用游标读取日志文件数据,@s表示将整行读成一个字符串

A2   循环游标,每次取5000行,刚好是1000条日志

B2   按循环序号生成日志文件名,如log_1.txtlog_2.txt……,然后将当前取出的所有行写入

 

示例2:有程序运行日志文件log.txt如下图所示,每条日志由不确定的几行组成,每条日志由中括号开头,其后只要不是中括号开头的行,都与它属于同一条日志。现在需要把这个日志文件拆分成一些小文件,每个文件由1000条日志组成。

..

esProc SPL脚本如下:


A

B

1

=file(“e:/log.txt”:”UTF-8”).read@n()  

=A1.select(~!="")

2

=B1.group@i(pos(~,"[")==1).cursor()


3

for A2,1000

=file(“e:/log/log_”/#A3/”.txt”)

4


=A3.(~.(B3.write@a(~)))

A1   打开日志文件读取数据,@n表示将每一行读成一个字符串,所有串组成一个序列返回

B1   筛选出非空的行

A2   按行是否用中括号开头作为分组条件,中括号开头的作为一个新组,不是则并到当前组。最后把所有组序列转换成游标

A3   循环游标,每次取1000个组,即1000条日志

B3   按循环序号生成日志文件名,如log_1.txtlog_2.txt……

B4   两层循环,外层是循环1000个组,内层循环每组的成员(即数据行),将每行追加写入文件

 

SPL CookBook》中有更多相关计算示例。