"下载测试文本结构化文本计算需求结构化文本文件是常见的数据存储方式，比如这个score.txt，记录了所有班级学生的成绩，第一行是列名，之后每一行是一个学生的数据，行内用制表符分隔。 [图片 .."

xjl 北京
乾学院 9 号会员
1 回帖 • 116 浏览 • 1 个月前

SPL 实践：结构化文本上的计算

计算＆AI

文本计算(15)

下载测试文本

结构化文本计算需求

结构化文本文件是常见的数据存储方式，比如这个score.txt，记录了所有班级学生的成绩，第一行是列名，之后每一行是一个学生的数据，行内用制表符分隔。

这种结构化文本也会有各种计算和处理的需求，比如选出英语90分以上的女生、计算出每个学生的总分并由高到低排序、计算出各班语文平均分等。

导入数据库用SQL计算当然没问题，但过程比较麻烦，而且也不一定总有数据库可用。写Java代码也非常繁琐，用SPL就非常简单了。

读入结构化文本文件

先看如何加载文件。A1的import()函数能直接把结构化文本文件读成内存数据表，其中的@t选项表示第一行为字段名。对于逗号分隔的csv文件，可以使用选项@c读入，@tc表示读取第一行为列名的csv文本。

A1/A2分别读入score.txt和score.csv。A3/A4用T()函数也可以同样能读入score.txt、score.csv，它会根据文件扩展名自动加载。

读取文本数据还有其它情况，比如没有标题行、只读入部分列、自定义分隔符以及文本中带有引号回车符等等，这些功能细节可以参考官方文档。

	A
1	=file("score.txt").import@t()
2	=file("score.csv").import@tc()
3	=T("score.txt")
4	=T("score.csv")

尝试过滤

来尝试一下过滤运算，比如要选出英语90分以上的女生。A1用T()函数把文本数据加载成内存数据表，A2用select()函数过滤数据，能看到结果中只剩下90分以上的女生了。A3中的点运算符可以把加载数据、过滤运算合成一句，计算结果相同。

如果把这个文件看成一个表，对应运算的SQL语句是这样的：

SELECT * FROM score

　　WHERE English>=90 AND Gender=2

有时候希望动态传入过滤条件的值，可以预定义默认值为80分和男生的两个参数，运行时还可以再修改，A4中的select函数使用这两个参数变量即可。

A5中把A2的结果序表用export()函数回写成文本文件filter.txt。与import()函数同理，@t选项表示第一行将写成标题。

	A
1	=T("score.txt")
2	=A1.select(English>=90 && Gender==2)
3	=T("score.txt").select(English>=90 && Gender==2)
4	=T("score.txt").select(English>=argEng && Gender==argGen)
5	=file("filter.txt").export@t(A2)

再试聚合

再尝试一些聚合运算，分别算出女生、男生的最高分，平均分，与SQL的聚合函数基本一致。

	A
1	=T("score.txt")
2	=A1.select(English>=90 && Gender==2)
3	=T("score.txt").select(English>=90 && Gender==2)
4	=T("score.txt").select(English>=argEng && Gender==argGen)
5	=file("filter.txt").export@t(A2)

SQL：

SELECT max(Math), avg(Math)

　　FROM score WHERE English>=90 AND Gender=2

SELECT max(Math), avg(Math)

　　FROM score WHERE English>=90 AND Gender=1

集成Java应用

初步计算尝试过后，我们再来看如何把这些代码集成进Java应用中。SPL提供了标准JDBC，可以像执行SQL或调用存储过程一样给Java应用提供数据查询、计算能力。

　[JDBCConection].prepareStatement(SPL语句)

　[JDBCConection].prepareCall(SPL脚本)

将[安装目录]\esProc\lib下的jar引入到应用中：

　esproc-bin-xxxx.jar

　icu4j-60.3.jar

然后将SPL配置文件[安装目录]\esProc\config\raqsoftConfig.xml复制到应用类路径下即可。raqsoftConfig.xml是SPL的核心配置文件，名称不可更改。

JDBC执行SPL代码

驱动类是InternalDriver，连接URL是jdbc:esproc:local。

创建的JDBC连接能像执行SQL查询一样执行SPL代码。这里加载score.txt，过滤出英语高分学生，用JDBC参数动态设置底限分，这里设置了90。运行这段Java程序，和其它普通JDBC用法一样，结果序表以ResultSet对象返回。

Class.forName("com.esproc.jdbc.InternalDriver");

Connection con= DriverManager.getConnection("jdbc:esproc:local://");

PreparedStatement ps = con.prepareStatement("=T(\"score.txt\").select(English >= ? )");

ps.setInt(1, 90);

ResultSet rs = ps.executeQuery();

JDBC调用SPL脚本

把SPL程序保存为.splx脚本文件，这里保存为scoreCalc.splx：

	A
1	=T("score.txt").select(English>=90)
2	return A1

然后把这个脚本文件放入集算器主目录，raqsoftConfig.xml里配置为D盘根目录：

然后就能用JDBC调用存储过程的方式调用这些脚本了：

PreparedStatement ps = con.prepareCall("call scoreCalc()");

ps.execute();

ResultSet rs = ps.getResultSet();

执行call scoreCalc()就调用执行了scoreCalc.splx。结果集返回到ResultSet中。

JDBC执行SPL返回单值、多值

除了返回多行多列的序表给JDBC ResultSet对象，还可以返回一行一列的单个值，或多行一列的多个值组成的序列。

	A
1	=T("score.txt").sum(Math)
2	return A1

1行1列的单值，列名固定为“Field”，如A2返回数学总成绩，70360分。

	A
1	=T("score.txt").sum(Math)
2	=T("score.txt").count(Math)
3	=T("score.txt").avg(Math)
4	=T("score.txt").min(Math)
5	return [A1, A2, A3, A4]

多行1列的多个值，列名仍然为“Field”，如A5返回数学总分、个数、平均分、最低分。

使用变量

继续看更多计算任务，把常见的SQL运算都用SPL实现一下。

为方便讨论，我们假定所有代码的A1格都是加载文件，然后将序表赋值给score变量，之后就不必再写A1了，只针对score做计算。另外，为简单起见，SPL代码中不再使用参数了，大家可以自己改造成有参数的情况。

	A
1	>score=T("score.txt")
2	=score.select(English>=90 && Gender==2)
3	……

计算列

用同行的多个字段值计算出新字段，例如计算出每个同学三科成绩的总分和平均分。

SPL用new()函数定义计算列，计算列中的表达式可以使用前面已有的计算列，如先算出total，再用total算出avg。

=score .new(

　　Gender, Name

　　,(English+Chinese+Math):total

　　,round(total/3, 2):avg

)

new()函数中也可以选出一些原始的列，混同新的计算列同时调整列的次序，这里将Gender调整到Name之前。

SQL：

SELECT

　　Gender, Name

　　,(English+Chinese+Math) as total

　　,(English+Chinese+Math)/3 as avg

FROM score

增加计算列

如果想在原有的序表上直接增加新的计算列，可以用derive()函数，这里把三科总分和平均分追加上。

=score .derive(

　　　(English+Chinese+Math):total

　　　,round(total/3, 2):avg

　　)

SQL：

SELECT

　　,(English+Chinese+Math) as total

　　,(English+Chinese+Math)/3 as avg

FROM score

排序

将全年级学生按照总分由高到低排序，总分相等的按照数学成绩由低到高排序。SPL用sort()函数实现排序，排序字段total前面是负号表示降序，Math升序。

=score.derive(

　　(English+Chinese+Math):total

).sort(-total, Math)

结果中看到总分281存在多个学生，其中数学分低的学生排的更靠前。

字符串、日期类型的字段也支持排序。如按Name倒序排序，从第一个字符逐个往后对比大小。

SQL：

SELECT

　　(English+Chinese+Math) as total

FROM score

ORDER BY

　　(English+Chinese+Math) DESC

　　,Math DESC

分组汇总

要按班级、性别分组，统计人数和英语平均分，SPL中用groups()函数实现分组汇总。参数里分号前面定义分组字段Class、Gender，多个分组字段时，用逗号分割；分号后面定义汇总表达式，支持sum、count、avg，min，max等汇总方式。

=score.groups(

　　Class , Gender

　　; count(Name):cnt

　　, round(avg(English),2):engAvg

)

SQL：

SELECT

　　Class,Gender

　　, COUNT (Name) AS cnt

　　, ROUND(AVG (English),2) AS engAvg

FROM score

GROUP BY Class,Gender

分组汇总后再过滤

分组前先用select()函数过滤出数学60分以上的学生；

分组汇总后仍然用select()函数再过滤出英语平均分超过70的分组，SPL是分步定义计算的，中间步骤可以随时过滤，不用WHERE/HAVING区分是否发生在分组后。

=score.select(Math>60)

　　.groups(

　　　　Class,Gender

　　　　;count(Name):cnt, round(avg(English),2):engAvg

　　).select(engAvg > 70)

SQL：

SELECT

　　Class, Gender, COUNT (Name) AS cnt

　　, ROUND(AVG (English),2) AS engAvg

FROM score

WHERE Math>60

GROUP BY Class,Gender

HAVING ROUND(AVG (English),2) > 70

去掉重复值

SPL中用id()函数可以去掉重复值，一千个学生，去掉重复姓名后，有598个姓名。

	A
2	=score.id(Name)

SQL：

SELECT DISTINCT Name FROM score

也可以多列组合起来去重，就是认为多列的值都相同时，才算作重复，如一千个学生组合Name和Math去重，剩余992个。

	A
2	=score.id([Name,Math] )

SQL：

SELECT DISTINCT Name,Math FROM score

去重计数

SPL中用icount()函数实现去重计数，1000个学生中去重后有598个名字。

	A
2	=score.icount(Name)

SQL：

SELECT COUNT(DISTINCT Name) Name FROM score

icount也支持多列去重计数，名字和数学成绩都相同的去重后，剩余992个。

	A
2	=score.icount([Name,Math] )

SQL：

SELECT

　　COUNT(*)

FROM (

　　SELECT DISTINCT Name, Math FROM score

)

分组后组内去重计数

icount()函数还可以用在分组函数groups内，这样组内也能实现去重计数，看到2班56个人有54个姓名，3班55个人有53个姓名。

=score.groups(

　　Class

　　; icount(Name):nameCnt

　　, count(Name):cnt

)

SQL：

SELECT

　　Class

　　, COUNT(distinct Name) AS nameCnt

　　, COUNT(Name) AS cnt

FROM score

GROUP BY Class

TOP-N

取前几名的计算也比较常见，top()函数取前N条记录，第一个参数是负数，表示倒序，-5会取total最大的5条记录，如果是正数5，会取total最小的5条记录。找前N名时，重复值默认会占用名次，如第4、5名都是281分。

=score.derive((English+Chinese+Math):total)

　　.top(-5;total)

SQL：

SELECT

　　TOP 5

　　*, (English+Chinese+Math) as total

FROM score

ORDER BY (English+Chinese+Math) DESC

如果想让重复值不占名次，可以用@i选项，前5名中，第4名有重复值，共三个人，那前5名一共查出7人。

***.top@i(-5;total)

找最大、最小的记录，还可以用maxp，minp函数，它们分别等价于top 1，top -1。

最大 ***.maxp(total) = top(1,total) ：

最小 ***.minp(total) = top(-1,total)

组内TOP-N

要查出各班的前5名，可以在group()函数内使用top函数，

=score.derive(

　　(English+Chinese+Math):total

).group(Class;~.top(-5;total))

如图得到的各班前5名是一个个子集合，点开3班，能看到3班的前5名。

groups()和group()函数都是做分组的，简单说，前者是分组后直接计算出一些汇总值，后者做分组后得到各个分组子集合，子集合可以再灵活定义更多计算，不一定总是做聚合。

SQL：

SELECT

　　* , (English+Chinese+Math) AS total ,

　　RANK OVER(

　　　　PARTITION BY Class ORDER BY

　　　　English+Chinese+Math DESC

　　) AS rank

FROM score WHERE rank <= 5

关联的分类

我们再来看涉及多个文件关联的运算。

SPL看待关联和SQL不太一样，它把关联区分为外键关联和主键关联两类。

比如，学生表的City外键到城市表主键CityID，这种是外键关联，学生表的普通字段Class、School分别外键到班级表的主键ClassID、SchoolID，这种两字段、以及多字段关联，也是外键关联。

学生表用主键关联到学生健康表的主键StudentID，这种称为主键关联，这两表是一对一的关系，也称为同维表。

学生表用主键关联到学生缴费表的部分主键StudentID，这也属于主键关联，这两表是一对多的关系，也称为主子表。

基于不同关联特点，SPL用不同的函数区别实现关联。

关联运算涉及多个文件，类似的，我们在A1中可多个文本都加载成SPL序表变量，方便后续计算。

>student=T("student.txt"),

　city=T("city.txt"),

　class=T("class.txt"),

　stu_pay=T("stu_pay.txt"),

　stu_health=T("stu_health.txt")

外键关联计算

class.txt里记录班级班主任老师ID，英语老师ID等信息，teacher.txt记录老师姓名、性别、所教科目。

想要查出班主任是语文老师的班级，就需要用class.txt的ClassTeacher关联teacher.txt的teacherId。

SPL用switch()方法实现两表连接，A2计算过程中，涉及四个序表，class.txt加载为序表class，teacher.txt加载为序表teacher，然后用switch()函数把teacher的相关记录替换为class的ClassTeacher字段值，算出CT序表，SPL序表的字段值允许是记录、甚至子序表这样复杂的数据类型，CT就是这种多级嵌套序表。

从嵌套的子记录中获得数据也不难，如由CT new()出简单结构的CT2时，ClassTeacher.Subject就得到班主任老师所教科目，最后用select()函数查出语文科目。

>CT=class.switch(

　　ClassTeacher ,teacher:teacherId

　)

　,CT2=CT.new(

　　Class

　　, ClassTeacher.Name

　　, ClassTeacher.Subject

　).select(Subject=="Chinese")

SQL：

SELECT

　　C.Class ,T.Name ,T.Subject

FROM

　　class C JOIN teacher T

　　　　ON C.ClassTeacher=T.treachId

WHERE T.Subject="Chinese"

多级外键关联

student表的FromCity字段外键到city表，ClassID字段外键到class表，class表中英语、语文、数学三科老师字段都外键到teacher表。

student表有两个外键字段，class表有三个。同时还存在student表关联class表、class表又关联teacher表这样的多级关联。

要查来自City4并且老师是Teacher8的学生，需要四表关联在一起查询，switch()函数支持同时关联多个外键表，如A2中先把class表关联好三科老师，A3中再关联city表及A2的class表，A3关联后的结果是一个结构更复杂的多级序表，能比较形象的展现关联结果。

最后A4中用new()函数从各级序表中取出需要的信息，过滤出来自City4且老师为Teacher8的学生。

	A
2	=class.switch( EnglishTeacher, teacher:TeacherID ; ChineseTeacher, teacher:TeacherID ; MathTeacher, teacher:TeacherID )
3	=student.switch( ClassID, A2 : ClassID ; FromCity, city : CityID )
4	=B2.new(StudentID, Name ,FromCity.Name : City ,ClassID.EnglishTeacher.Name : EnTeacher ,ClassID.ChineseTeacher.Name : CnTeacher,ClassID.MathTeacher.Name : MaTeacher ).select(City=="City4" && (EnTeacher=="Teacher8" \|\| CnTeacher=="Teacher8" \|\| MaTeacher=="Teacher8"))

SQL：

SELECT

　　s.StudentID, s.Name, c.Name AS city, en.Name AS EnTeacher,

　　　　cn.Name AS CnTeacher, ma.Name AS MaTeacher

FROM

　　student s JOIN city c JOIN class cl

　　　　　JOIN teacher en JOIN teacher cn JOIN ma

　　　　s.FromCity=c.CityID AND s.ClassID=cl.ClassID AND cl.EnglishTeacher=en.TeacherID

　　　　　AND cl.ChineseTeacher=cn.TeacherID AND cl.MathTeacher=ma.TeacherID
WHERE

　　City="City4" AND

　　(EnTeacher="Teacher8" OR CnTeacher=“Teacher8” OR MaTeacher=“Teacher8”)

多字段外键关联

switch()函数适合单字段外键关联，多字段关联时，用join()函数。

score表中增加School列，记录5个学校30个班的成绩，每个学校有6个班。class表记录这30个班，主键是Class、School两个字段，班级分类管理，分为1类班、2类班、3类班。

现在要查出所有3类班的学生成绩，join()函数的参数中，第一个逗号前是多个外键字段，Class和School，第二个逗号前是被关联表class，及其多个主键字段Class和School，再之后是从被关联表选出的目标字段，可以是多个，我们这里只选出了一个ClassType字段。

switch()函数是单字段关联，支持多表，结果是嵌套的多级序表。

join()函数能支持多字段关联，但不支持多表，结果是把两表字段直接连接起来，形成一个单层结构序表。

>class=class.select(ClassType==3)

>CT=score.join(

　　　Class:School

　　　,class:Class:School

　　　,ClassType

　)

SQL：

SELECT

　　s.*, c.ClassType

FROM

　　score s JOIN class c

　　　　ON s.Class=c.Class

　　　　　AND s.School=c.School

WHERE c.ClassType=3

同维表-主键关联

student表、family表、health表主键都是StudentID，三表是一对一的同维表关系，后面两表是学生不同方面的补充信息。

主键关联要用新的关联函数，形如join(A, B, C)，参数中定义多个被关联表的信息：被关联表(student)、关联后序表中的字段名(stu)、关联主键(StudentID)。

观察A2关联后的结果，StudentID为2的三表记录关联到一起了。

A2关联后，A3过滤出眼睛近视度数超过500度的学生及家长。

=join(

　　student : stu , StudentID;

　　family : stu_family , StudentID;

　　health : stu_health , StudentID

)

=A2.new(stu.Name, stu_family.Father

　　, stu_family.Mother, stu_health.EyeVision)

.select(EyeVision>500)

SQL：

SELECT

　　stu.Name, stu_family.Father

　　, stu_family.Mother, stu_health.EyeVision

FROM

　　student stu

　　　　JOIN family stu_family

　　　　JOIN health stu_health

　　ON stu.StudentID=stu_family.StudentID

　　　　AND stu.StudentID=stu_family.StudentID

WHERE sty_health.EyeVision>500

主子表-主键关联

另外一种主键关联是主子表，学生缴费表pay是子表，它是StudentID和PayDate双字段组合主键，用其中StudentID外键到主表student主键。

主子表也用join()函数关联，一个学生有5条缴费记录，每条缴费记录都和主表的学生记录关联了起来。

A2关联后，A3用groups()函数计算出每个学生的缴费总额。

=join(

　　student : stu,StudentID;

　　family : stu_family,StudentID;

　　pay : stu_pay,StudentID

)

=A2.groups(

　　stu.Name, stu_family.Father;

　　sum(stu_pay.PayMoney):allPay

)

SQL：

SELECT

　　stu.Name, stu_family.Father,

　　sum(stu_pay.PayMoney):allPay

FROM

　　student stu

　　　　JOIN family stu_family

　　　　JOIN pay stu_pay

　　ON stu.StudentID=stu_family.StudentID

　　　　AND stu.StudentID=stu_pay.StudentID

GROUP BY stu.Name, stu_family.Father

还有更多

以上就是SPL做结构化文本计算的内容，对于这类数据库外的数据，也有了简便、强大的计算方案。

这里涉及的例子都是能读入内存的小数据，可以下载测试文本尝试。对于大于内存的文件，SPL也提供了游标方案来计算，感兴趣的小伙伴可以参考SPL的官方文档。

当然，SPL的能力还远不止于此，SPL还支持JSON、XML等多种文本格式、跨多种数据库查询、支持数据库与其他非数据库混合计算，针对大数据或复杂计算，可以借助SPL的计算能力对SQL进行性能优化，这些内容我们会在后面的专题逐渐介绍。

SPL是开源软件，可以从https://github.com/SPLWare/esProc获取源码。

文本计算(15)

SPL 实践：结构化文本上的计算

结构化文本计算需求

读入结构化文本文件

尝试过滤

再试聚合

集成Java应用

JDBC执行SPL代码

JDBC调用SPL脚本

JDBC执行SPL返回单值、多值

使用变量

计算列

增加计算列

排序

分组汇总

分组汇总后再过滤

去掉重复值

去重计数

分组后组内去重计数

TOP-N

组内TOP-N

更多函数-日期计算

更多函数-字符串计算

更多函数-转换成日期类型

更多函数-转换成数值类型

更多函数-转成字符串类型

关联的分类

外键关联计算

多级外键关联

多字段外键关联

同维表-主键关联

主子表-主键关联

还有更多

目录