WebService/Restful广泛应用于程序间通讯，如微服务、数据交换、公共或私有的数据服务等。之所以如此流行，主要是因为WebService/Restful采用了XML/Json这类多层结构化数据进行信息传递。XML/Json不仅是文本格式，而且支持多层结构，可承载足够通用和足够丰富的信息。但多层结构要比传统的二维表复杂，取数后再处理的难度也大。

早期，没有专业的json/XML的后处理技术，Java开发者通常要采取硬写代码或入库再用SQL的方式。硬写代码工作量巨大，计算能力几乎为零，开发效率极低。SQL虽然可以提供部分计算能力，但存在明显的架构缺陷，不仅会因为引入SQL而制造额外的耦合性，而且会因为入库过程导致额外的系统延迟。此外，数据库只适合计算二维表，多层结构化数据的计算能力并不强。

后来，XPath/JsonPath、Python Pandas、Scala这类专业的json/XML的后处理技术出现了，才终于在保证较好架构性的同时，提供了一定的计算能力。但这些技术也存在各自的问题，XPath/JsonPath只支持条件查询和简单聚合，不支持一般的日常计算，比如排序、去重、分组汇总、关联、交集等，而且没有自己的多层数据对象，计算能力较差。Python Pandas支持一般的日常计算，其数据对象dataFrame能描述二维表，但计算处理多层数据并不方便，而且和Java应用的集成性很不好。Scala的数据对象dataFrame也类似，可以描述多层结构，但计算处理也不方便。此外，Scala和Pandas对XML支持得都不好，要手工进行类型转换，或引入第三方类库，开发效率不高。

SPL是个更好的选择。

专业多层数据对象

SPL是JVM下开源的结构化数据/多层数据处理语言，内置专业的多层数据对象和方便的层次访问方法，可以表达复杂的层次关系，为上层计算能力提供有力的支持。

SPL提供了专业的多层数据对象序表，可以直观地表现XML\Json的层级结构。

比如，从文件读取多层XML串，解析为序表：

	A
1	=file("d:\\xml\\emp_orders.xml").read()
2	=xml(A1,"xml/row")

点击A2格可以看到多层序表的结构，其中，EId、State等字段存储简单数据类型，Orders字段存储记录集合（二维表）。点击Orders中的某一行，可以展开观察数据：

序表也可以表达来自文件的多层Json（与上面的XML同构）：

	A
1	=file("d:\\xml\\emp_orders.json").read()
2	=json(A1)

点击A2格可以看到，来自Json的序表与来自XML的序表一样。事实上，SPL序表可以统一地表达不同来源的多层数据，无论XML还是Json，无论WebService还是Restful，这是其他技术难以做到的。

SPL提供了方便的多层数据访问方法，可以通过点号访问不同的层级，通过下标访问不同的位置。

第1层的单个字段的集合：A2.(Client)

第1层的多个字段的集合：A2.([Client,Name])

第2层所有记录的集合：A2.conj(Orders)

第1层第10条记录：A2(10)

第1层第10条记录的Orders字段（即所有下层记录）：A2(10).Orders

第1层第10条件记录Orders字段的单个字段的集合：(A2(10).Orders).(Amount)

第1层第10条件记录Orders字段的第5条记录：(A2(10).Orders)(5)

第1层的第10-20条记录：A2(to(10,20))

第1层的最后三条记录：A2.m([-1,-2,-3])

SPL序表专业性强，可以表达复杂的层次关系。比如，针对多含多个子文档的多层Json：

[
   {
      "race": {
          "raceId":"1.33.1141109.2",
          "meetingId":"1.33.1141109"
      },
      ...
      "numberOfRunners": 2,
      "runners": [
        {     "horseId":"1.00387464",
              "trainer": {
                  "trainerId":"1.00034060"
              },
          "ownerColours":"Maroon,pink,dark blue."
          },
          {   "horseId":"1.00373620",
              "trainer": {
                  "trainerId":"1.00010997"
              },
          "ownerColours":"Black,Maroon,green,pink."
          }
      ]
   },
...
]

进行不同层级的分组汇总（对trainerId分组，统计每组中 ownerColours的成员个数），一般的技术难以写出代码，SPL就简单多了：

	A
1	…
2	=A1(1).runners
3	=A2.groups(trainer.trainerId; ownerColours.array().count():times)

强大计算能力

以序表为基础，SPL内置丰富的计算函数、日期函数、字符串函数，提供了强大的计算能力。依靠函数选项、层次参数等高级语法，SPL提供了超越SQL的计算能力。

SPL内置丰富的计算函数，基础计算一句完成。比如，对多层数据进行条件查询:

	A
2	…//省略取数解析
3	=A2.conj(Orders)
4	=A3.select(Amount>1000 && Amount<=2000 && like@c(Client,"*business*"))

可以看到，SPL对条件查询的支持很完整，包括关系运算符、逻辑运算符、正则表达式和字符串函数，如模糊匹配like。此外，SPL还支持在条件查询中使用数学运算符（函数）、位置函数、日期函数。

更多例子：

	A	B
2	…
3	= A3.sum(Salary)	聚合
4	=A2.groups(State,Gender;avg(Salary),count(1))	第1层分组汇总
5	=A2.conj(Orders).groups(Client;sum(Amount))	第2层分组汇总
6	=A1.new(Name,Gender,Dept,Orders.OrderID,Orders.Client,Orders.Client,Orders.SellerId,Orders.Amount,Orders.OrderDate)	关联
7	=A1.sort(Salary)	排序
8	=A1.id(State)	去重
9	=A2.top(-3;Amount)	topN
10	=A2.groups(Client;top(3,Amount))	组内TopN（窗口函数）

SPL内置大量日期函数和字符串函数，在数量和功能上远远超过其他技术甚至SQL，同样的运算代码量更短。比如：

时间类函数，日期增减：elapse("2020-02-27",5) //返回2020-03-03

星期几：day@w("2020-02-27") //返回5，即星期6

N个工作日之后的日期：workday(date("2022-01-01"),25) //返回2022-02-04

字符串类函数，判断是否全为数字：isdigit("12345") //返回true

取子串前面的字符串：substr@l("abCDcdef","cd") //返回abCD

按竖线拆成字符串数组："aa|bb|cc".split("|") //返回["aa","bb","cc"]

SPL还支持年份增减、求年中第几天、求季度、按正则表达式拆分字符串、拆出SQL的where或select部分、拆出单词、按标记拆HTML等功能。

SPL提供了函数选项、层次参数等方便的函数语法，可以提供更强的计算能力。功能相似的函数可以共用一个函数名，只用函数选项区分差别。比如select函数的基本功能是过滤，如果只过滤出符合条件的第1条记录，可使用选项@1：

Orders.select@1(Amount>1000)

数据量较大时，用并行计算提高性能，可使用选项@m：

Orders.select@m(Amount>1000)

对排序过的数据，用二分法进行快速过滤，可用@b：

Orders.select@b(Amount>1000)

函数选项还可以组合搭配，比如：

Orders.select@1b(Amount>1000)

结构化运算函数的参数常常很复杂，比如SQL就需要用各种关键字把一条语句的参数分隔成多个组，但这会动用很多关键字，也使语句结构不统一。SPL支持层次参数，通过分号、逗号、冒号自高而低将参数分为三层，用通用的方式简化复杂参数的表达：

join(Orders:o,SellerId ; Employees:e,EId)

优化体系结构

SPL内置易于集成的JDBC接口，可有效降低系统耦合性，并支持代码热切换。SPL支持多种多层数据源，可用一致的代码进行计算，使代码易于移植。

SPL提供了通用的JDBC接口，可以被JAVA代码方便地集成。 比如，将前面的SPL代码存为脚本文件，在JAVA中以存储过程的形式调用文件名：

Class.forName("com.esproc.jdbc.InternalDriver");
Connection connection =DriverManager.getConnection("jdbc:esproc:local://");
Statement statement = connection.createStatement();
ResultSet result = statement.executeQuery("call groupBy()");

SPL脚本文件外置于JAVA，使计算代码和应用程序分离，可有效降低系统耦合性。SPL是解释型语言，修改后不必重启JAVA应用就可以直接执行，从而实现代码热切换，可保障系统稳定，降低维护难度。

SPL支持来自WebSerivce和Restful的多层数据。比如，从WebService读取多层XML，进行条件查询:

	A
1	=ws_client("http://127.0.0.1:6868/ws/RQWebService.asmx?wsdl")
2	=ws_call(A1,"RQWebService":"RQWebServiceSoap":"getEmp_orders")
3	=A2.conj(Orders)
4	=A3.select(Amount>1000 && Amount<=2000 && like@c(Client,"*business*"))

类似地，从Restful取多层Json，进行同样的条件查询：

	A
1	=httpfile("http://127.0.0.1:6868/restful/emp_orders").read()
2	=json(A1)
3	=A2.conj(Orders)
4	=A3.select(Amount>1000 && Amount<=2000 && like@c(Client,"*business*"))

SPL支持MongoDB、ElasticSearch、SalesForce等特殊数据源中的多层数据，可直接从这些数据源取数并计算。

比如，从MongoDB取多层Json，进行条件查询：

	A
1	=mongo_open("mongodb://127.0.0.1:27017/mongo")
2	=mongo_shell@x(A1,"data.find()")
3	=A2.conj(Orders)
4	=A3.select(Amount>1000 && Amount<=2000 && like@c(Client,"*business*"))

除了多层数据，SPL也支持数据库，txt\csv\xls等文件， Hadoop、redis、Kafka、Cassandra等NoSQL。虽然数据源不同，但在SPL中的数据类型都是序表，因此可以用一致的方法计算多层数据，这样的计算代码也更容易移植。

XPath/JsonPath、Python Pandas、Scala等技术存在各自的缺陷，开发效率不高。SPL内置专业的多层数据对象和方便的层次访问方法，擅长计算结构复杂的多层数据。SPL内置丰富的库函数，提供了超过SQL的计算能力。SPL支持易用的JDBC接口、代码外置能力，支持来自多种文件和网络服务的多层数据源，可大幅提高WebService\Restful取数后的开发效率。