乾学院 53 号会员
1 回帖  •  3,479 浏览  • 
     ...

没有 RDB 也敢揽 SQL 活的开源金刚钻 SPL

 

SQL语法接近自然语言，上手学习门槛低，再加上先发优势的加成，很快就在数据库厂商和用户间流行开来。经过多年的发展，SQL已经成为应用最广、用户最多、最成熟的结构化数据计算语言。

但是，SQL必须基于RDB工作，而很多场景下并没有RDB，比如遇到csv\restful json\MongoDB等数据源，或进行这些数据源之间的混合计算，比如csv和xls之间。在这些场景下，很多人会选择用JAVA或C#等高级语言硬写算法，这要从头编写冗长的底层函数，执行效率也很难保证，很容易堆积出人人痛恨的“代码屎山”。也有人会把数据写入数据库，再用SQL进行计算，但入库的过程非常繁琐，实时性也很差，有时还要求助于ETL工具，架构重上加重，风险增了又增，遇到混合计算更是加倍的麻烦。

现在好了，集算器SPL来了，这些问题都可以轻松解决了。

SPL是开源的计算技术，完全覆盖了SQL的计算能力，支持种类繁多的数据源，没有RDB也可以用SQL进行结构化数据计算了。

 

完善的SQL计算能力

SPL提供了相当于SQL92标准的语法，可以进行足够丰富多样的数据计算，包括过滤、计算列、选择部分列、改名等等，可以直接把文本、xls等文件当成数据表来执行SQL。下面以csv文件作为数据源为例说明：

1.    过滤

基本的比较运算：

$select * from d:/Orders.csv where Amount>=100

like：

$select * from d:/Orders.csv where Client like '%bro%'

空值判断： 

$select * from d:/Orders.csv where Client is null

与、或、非这样的逻辑运算符可以把比较运算组合起来，实现组合过滤：

$select * from d:/Orders.csv
where not Amount>=100 and Client like 'bro' or OrderDate is null

in：

$select * from d:/Orders.csv where Client in ('TAS','KBRO','PNS')

多层括号：

$select * from d:/Orders.csv
where (OrderDate<date('2020-01-01') and Amount<=100) or (OrderDate>=date('2020-12-31') and Amount>100)

2.    计算列

SPL有丰富的数学函数、字符串函数、日期函数：

$select round(Amount,2), price*quantity from d:/Orders.csv
$select left(Client,4) from d:/Orders.csv
$select year(OrderDate) from d:/Orders.csv

case when：

$select case year(OrderDate) when 2021 then 'this year' when 2020 then 'last year' else 'previous years' end 
from d:/Orders.csv

coalesce反显空值：

$select coalesce(Client,'unknown') from d:/Orders.csv

3.    SELECT

$select OrderId, Amount, OrderDate from d:/Orders.csv

4.    ORDER BY

$select * from d:/Orders.csv order by Client, Amount desc

5.    DISTINCT

$select distinct Client ,Sellerid from d:/Orders.csv

6.    GROUP BY … HAVING

$select year(OrderDate),Client ,sum(Amount),count(1) from d:/Orders.csv
group by year(OrderDate),Client having sum(Amount)<=100

聚合函数包括sum、count、avg、max、min，不分组也可以直接汇总：

$select avg(Amount) from d:/Orders.csv

7.    JOIN

左关联：

$select o.OrderId,o.Client,e.Name e.Dept,e.EId from d:/Orders.txt o 
left join d:/Employees.txt e on o.SellerId=e.Eid

右关联：

$select o.OrderId,o.Client,e.Name e.Dept,e.EId from d:/Employees.txt e
right join d:/Orders.txt o on o.SellerId=e.Eid

全关联：

$select o.OrderId,o.Client,e.Name e.Dept,e.EId from d:/Employees.txt e
full join d:/Orders.txt o on o.SellerId=e.EId

内关联：

$select o.OrderId,o.Client,e.Name e.Dept from d:/Orders.csv o
inner join d:/Employees.csv e on o.SellerId=e.Eid

内关联还可以写成WHERE形式：

$select o.OrderId,o.Client,e.Name e.Dept from d:/Orders.csv o ,d:/Employees.csv e 
where o.SellerId=e.Eid

 

8.    子查询

$select t.Client, t.s, ct.Name, ct.address from 
    (select Client ,sum(amount) s from d:/Orders.csv group by Client) 
left join ClientTable ct on t.Client=ct.Client

with：

$with t as (select Client ,sum(amount) s from d:/Orders.csv group by Client)
select t.Client, t.s, ct.Name, ct.address from t
left join ClientTable ct on t.Client=ct.Client</p>

In中的子查询：

$select * from d:/Orders.txt o where o.sellerid in (select eid from d:/Employees.txt)

9.    AS

使用as关键字，可对字段、计算列、物理表、子查询改名：

$select price*quantity as subtotal from d:/detail.csv

10. 集合运算

union、union all、intersect、minus都有，举一例：

$select * from Orders1.csv union all select * from Orders2.csv

11. into输出结果

查询结果可用into关键字写入文件：

$select dept,count(1) c,sum(salary) s into deptResult.xlsx
from employee.txt group by dept having >100000

丰富的数据源支持

SPL支持各种非数据库的数据源，包括各种非标准格式的文本，前面例子中已展示过csv。TAB分隔的txt也一样可以支持，SPL会根据扩展名自动处理：

$select * from d:/Orders.txt where Amount>=100 and Client like 'bro' or OrderDate is null

如果分隔符不是逗号和tab，就要用SPL扩展函数处理了，比如分隔符是冒号：

$select * from {file("d:/Orders.txt").import@t(;":")}
where Amount>=100 and Client like 'bro' or OrderDate is null

没有标题行的文件，可以用序号表示列名：

$select * from {file("d:/Orders.txt").import()} where _4>=100 and _2 like 'bro' or _5 is null

某些特殊格式的字符串也要用扩展函数解析，比如日期格式不是标准的yyyy-MM-dd：

$select year(OrderDate),sum(Amount) from
{file("d:/Orders.txt").import@t(orderid,client,sellerid,amount,orderdate📅"dd-MM-yyyy")}
group by year(OrderDate)

Excel文件上也可以执行SQL，对于格式规范的Excel，只需直接引用文件名：

$select * from d:/Orders.xlsx where Amount>=100 and Client like 'bro' or OrderDate is null

可以读取指定sheet： 

$select * from {file("D:/Orders.xlsx").xlsimport@t(;"sheet3")}
where Amount>=100 and Client like 'bro' or OrderDate is null

从远程网站下载来的csv/xls文件：

$select * from { httpfile("http://127.0.0.1:6868/Orders.csv").import@tc() }
where Amount>=100 and Client like 'bro' or OrderDate is null

HTTP协议的特性很多，比如字符集、端口号、post参数、header参数、登录认证等等，SPL扩展函数都可以支持。扩展函数还可以抓取网页中的表格数据，也支持从FTP服务器下载文件，这里不再赘述。

 

Json文件要先读为字符串再解析：

$select * from {json(file("d:\\data.json").read())}
where Amount>=100 and Client like 'bro' or OrderDate is null

二维Json比较少，多层才是常态，SPL扩展函数可以把多层数据转为二维记录，再用SQL计算，这里就不展开了。

 

Restful json

$select * from {json(httpfile("http://127.0.0.1:6868/api/getData").read())}
where Amount>=100 and Client like 'bro' or OrderDate is null

扩展函数如果比较多比较长，可以写成分步形式：

A

1

=httpfile("http://127.0.0.1:6868/api/getData")

2

=A1.read()

3

=json(A2)

4

$select * from {A3}   where Amount>=100 and Client like 'bro' or OrderDate is null

类似csv/xls，SPL也可以读取HTTP网站上的json/xml文件。

 

XML

$select * from {xml(file("d:/data.xml").read(),"xml/row")}
where Amount>=100 and Client like 'bro' or OrderDate is null

Web Service

$select * from {ws_call(ws_client("http://....../entityWS.asmx?wsdl"),"entityWS ":" entityWSSoap":"getData")} 
where Amount>=100 and Client like 'bro' or OrderDate is null

NoSQL也不在话下。

MongoDB

$select * from<br>{mongo_shell@x(mongo_open("mongodb://127.0.0.1:27017/mongo"),"main.find()")}
where Amount>=100 and Client like 'bro' or OrderDate is null

MongoDB经常是多层数据，包括前面的restful、web Service，用SPL扩展函数都可以转为二维。

 

Salesforce

$select * from { sf_query(sf_open(),"/services/data/v51.0/query","Select Id,CaseNumber,Subject From Case where Status='New'")} 
where Amount>=100 and Client like 'bro' or OrderDate is null

Hadoop HDFS上的csv/xls/json/xml：

A

1

=hdfs_open(;"hdfs://192.168.0.8:9000")

2

=hdfs_file(A1,"/user/Orders.csv":"GBK")

3

=A2.import@t()

4

=hdfs_close(A1)

5

$select Client,sum(Amount)   from {A3} group by Client

 

HBase也支持：

A

1

=hbase_open("hdfs://192.168.0.8",   "192.168.0.8")

2

=hbase_scan(A1,"Orders")

3

=hbase_close(A1)

4

$select Client,sum(Amount) from {A2} group by Client

Hbase还有filter、cmp等取数方式，SPL都可以支持。

 

Hive有公共的JDBC接口，但性能较差，SPL提供了高性能接口：

A

1

=hive_client("hdfs://192.168.0.8:9000","thrift://192.168.0.8:9083","hive","asus")

2

=hive_query(A1, "select * from table")

3

=hive_close()

4

$select Client,sum(Amount) from {A2} group by Client

 

Spark

A

1

=spark_client("hdfs://192.168.0.8:9000","thrift://192.168.0.8:9083","aa")

2

=spark_query(A1,"select * from tablename")

3

=spark_close(A1)

4

$select Client,sum(Amount) from {A2} group by Client

 

阿里云

A

1

=ali_open("http://test.ots.aliyuncs.com","LTAIXZNG5zzSPHTQ","sa","test")

2

=ali_query@x(A1,"test",["id1","id2"],[1,"10001"]:[10,"70001"],   ["id1","id2","f1","f2"],f1>=2000.0)

3

$select Client,sum(Amount) from {A2} group by Client

 

Cassandra

A

1

=stax_open("127.0.0.1":9042,"mycasdb","cassandra":"cassandra")

2

=stax_query(A1,"select * from user where id=?",1)

3

=stax_close(A1)

4

$select Client,sum(Amount) from {A2} group by Client

 

ElasticSearch

A

1

=es_open("localhost:9200","user":"un1234")

2

=es_get(A1,"/person/_mget","{\"ids\":[\"1\",\"2\",\"5\"]}")

3

=es_close(A1)

4

$select Client,sum(Amount) from {A2} group by Client

 

Redis

A

1

=redis_open()

2

=redis_hscan(A1, "runoobkey", "v*", 3)

3

=redis_close (A1)

4

$select key,value from {A2} where value>=2000 and value<3000

 

SAP BW

A

1

=sap_open("userName","passWord","192.168.0.188","00","000",”E")

2

=sap_cursor(A1, "Z_TEST1","IT_ROOM").fetch()

3

=sap_close(A1)

4

$select * from {A2} where Vendor like '%software%'

 

InfluxDB

A

1

=influx_open("http://127.0.0.1:8086", "mydb", "autogen", "admin", "admin")

2

=influx_query(A1, "SELECT * FROM Orders")

3

=influx_close(A1)

4

$select Client,sum(Amount) from {A2} group by Client

 

Kafka

A

1

=kafka_open("D://kafka.properties";"topic-test")

2

=kafka_poll(A1)

3

=kafka_close (A1)

4

$select Client,sum(Amount) from {A2} group by Client

 

MDX多维数据库

A

1

=olap_open("http://192.168.0.178:8088/msmdpump.dll","CubeTest","Administrator","admin")

2

=olap_query(A1,"with member [Measures].[AnnualInterestRate]   as'[Measures].[SalesAmount]/[Measures].[StandardCost]-1'select   {[Measures].[SalesAmount],[Measures].[StandardCost],[Measures].[  AnnualInterestRate]} on columns, {[Order Date].[Calendar Year].[Calendar   Year]} on rows from [DataSourceMulti]")

3

=olap_close(A1)

4

$select * from {A2} where SalesAmount>10000

 

SPL除了支持种类繁多的数据源，也可以进行数据源之间的混合计算。比如csv和RDB之间：

$select o.OrderId,o.Client,e.Name e.Dept from d:/Orders.csv o
inner join d:/Employees.xls e on o.SellerId=e.Eid

MongoDB和数据库之间：

A

B

1

=mongo_open("mongodb://127.0.0.1:27017/mongo")

2

=mongo_shell@x(A1,"detail.find()").fetch()

=connect("orcl").query@x("select * from main")

3

$select d.title,m.path,sum(d.amount) from {A2} as d left join {B2} as m on d.cat=m.cat group by d.title, m.path

任意数据源之间都可以进行混合计算，而且SQL语法不受数据源的影响。

 

更深入的计算能力

其实，SPL的本意是Structure Process Language，是一种专门用于结构化数据处理的语言，在前面的例子中也已经展示了部分SPL本身的语法（那些扩展函数）。SQL只是SPL顺带提供的一种功能， SPL本身还拥有比SQL更强大便捷的计算能力。有些计算逻辑比较复杂，用SQL甚至存储过程都很难写，而用SPL则可以用简单的代码完成计算。

比如这个任务，计算某支股票最长的连续上涨天数，SQL要用多层嵌套的子查询和窗口函数，代码冗长难懂：

select max(continuousDays)-1
from (select count(*) continuousDays
    from (select sum(changeSign) over(order by tradeDate) unRiseDays
         from (select tradeDate,
                         case when price>lag(price) over(order by tradeDate) then 0 else 1 end changeSign
                   from AAPL) )
    group by unRiseDays)

而SPL 只需两行：


A

B

1

=T("d:/AAPL.xlsx")

读Excel文件，首行为列名

2

=a=0,A1.max(a=if(price>price[-1],a+1,0))

求最长连续上涨天数

对于简单的运算，使用基本的SQL是很方便的，但运算需求变复杂时，SQL就不适用了，即使提供更多的功能（比如窗口函数）也不能简化计算。这种情况下，我们推荐用户直接使用代码简洁的SPL，而不必再写多层嵌套的复杂SQL了。基于这个原因，SPL中的SQL也只支持到SQL92标准，没有提供包括窗口函数在内的更多语法。

SQL不提倡多步骤计算，习惯于把一个计算任务写在一个大语句中，这样会加大任务的难度。而SPL则天生支持多步骤计算，可以将复杂的大计算目标方便地分解为简单的小目标，这会大大降低写代码的难度。比如，找出销售额累计占到一半的前n个大客户，并按销售额从大到小排列：

A

B

1

= T("D:/data/sales.csv").sort(amount:-1)

 取数并逆序排序

2

=A1.cumulate(amount)

计算累计序列

3

=A2.m(-1)/2

最后的累计值即是总和

4

=A2.pselect(~>=A3)

超过一半的位置

5

=A1(to(A4))

按位置取值

 

灵活的应用结构

SPL该怎么用呢？

对于交互式的计算分析，SPL有专业的IDE，不仅具有完整的调试功能，还可以用表格直观观察每一步的中间结算结果：

IDEpng

SPL还支持命令行执行，任何主流操作系统都可以：

D:\raqsoft64\esProc\bin>esprocx.exe -R select Client,sum(Amount) from d:/Orders.csv group by Client
Log level:INFO
ARO     899.0
BDR     4278.8
BON     2564.4
BSF     14394.0
CHO     1174.0
CHOP    1420.0
DYD       1242.0
…

对于应用程序中的计算，SPL提供了标准的JDBC驱动，可以方便地集成进JAVA：

Class.forName("com.esproc.jdbc.InternalDriver");
Connection conn =DriverManager.getConnection("jdbc:esproc:local://");
PrepareStatement st = conn.prepareStatement("$select * from employee.txt where SALARY >=? and SALARY<?");
st.setObject(1, 3000);<br>st.setObject(2, 5000);<br>ResultSet result=st.execute();

应用中会有些频繁修改或较为复杂的计算，SPL允许将代码外置于JAVA程序，可显著降低代码耦合性。比如上面的SPL代码可以先存为脚本文件，再在JAVA中以存储过程的形式调用：

Class.forName("com.esproc.jdbc.InternalDriver");
Connection conn =DriverManager.getConnection("jdbc:esproc:local://");
Statement st = connection.();
CallableStatement st = conn.prepareCall("{call getQuery(?, ?)}");
st.setObject(1, 3000);
st.setObject(2, 5000); 
ResultSet result=st.execute();

 

有了SPL这样的开源神器，没有RDB也能轻松使用SQL了。


延伸阅读

Java 结构化数据处理开源库 SPL

多数据源混合计算用什么技术？