Web 上的数据接口以 restful 和 WebService 为主，格式通常是多层的 Json 和 XML。多层数据可承载更通用更丰富的信息，但结构上比传统的二维数据复杂，计算难度也更大。可用于 Web 计算的工具或引擎表面上不少，但都有各自的缺点，JsonPath/XPath 等类库解析能力强，但计算能力不足；Python Pandas 计算能力较强，但难以被 Java 集成，而且数据对象 DataFrame 不是专为多层数据设计的，遇到复杂计算时代码也难写；Scala Spark 在集成性方面好一些，但架构沉重，学习难度也大。

Web上的计算引擎，还有一个更好的选择：esProc SPL。

esProc SPL 是基于 JVM 的开源程序语言，内置专业的多层数据对象，提供了方便的 Web 解析 / 生成函数，可简化复杂的多层数据计算，容易被 Java 应用集成。

专业的多层数据对象

SPL 内置专业的多层数据对象序表，适合承载 Web 数据格式，擅长表达复杂的层级关系。

例如，对 Json 串进行条件查询，并用 Json 串返回计算结果：

A1：外部参数 p_JsonStr 是 Json 串，函数 json 将其转为序表（SPL 的结构化数据对象）。在 SPL IDE 中点击 A1 格可以看到序表的多层结构，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：

A2、A3：对序表进行计算，计算结果同样是序表。

A4：函数 json 既可以将 Json 串转为序表，也可以将序表转为 Json 串。

SPL 提供了自由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：A1.(Client)
第1层的多个字段的集合：A1.(\[Client,Name\])
第1层第10条记录：A1(10)
第1层第10条记录的Orders字段（即所有下层记录）：A1(10).Orders
第1层第10条件记录Orders字段的单个字段的集合：(A1(10).Orders).(Amount)
第1层第10条件记录Orders字段的第5条记录：(A1(10).Orders)(5)
第1层的第10-20条记录：A1(to(10,20))
第1层的最后三条记录：A1.m(\[-1,-2,-3\])

序表是与字符串格式无关的高级数据对象，不仅可以解析 Json 串，也可以解析 XML 串，且计算代码通用。例如，p_XMLStr 是多层的 XML 串（与前面的 Json 同构），进行同样的条件查询时，只要修改 A1：=xml(p_XMLStr,"xml/row")

与函数 json 类似，函数 xml 也支持双向转换。

SPL 提供了各类 Web 数据接口，可以方便地访问 restful 或 WebService，并解析为统一的序表。比如访问 restful 接口，只要将前面例子的 A1 改为：

函数 httpfile 用于访问 url 网址，可指定端口、Header、字符集、IPV4/V6、Post/Get，支持 Cookie 或令牌的鉴权方式。

访问 WebService 接口：

函数 ws_client 建立 WebService 客户端，函数 ws_call 查询 WebService 服务。

由于序表与字符串格式、数据源无关，所以没有特别说明时，下面例子都通用于 Json\XML\ 参数串 \Web。不难想象，SPL 还可以解析本地 Json 文件或 XML 文件，二维数据可以看作多层数据的简化情况，所以序表还可以解析并计算 csv 文件或数据库表（不是本文重点）。

强大的计算能力

对于解析后的序表，SPL 提供了丰富计算函数，可以轻松完成日常的 SQL 式计算。

SPL 还提供了符合 SQL92 标准的语法，支持集合计算、case when、with、嵌套子查询等。

SPL 表达能力强，适合计算结构复杂的多层数据。比如：restful 返回多层 Json，包含多个子文档，结构较复杂，部分数据如下：

[
   {
      "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."
          }
      ]
   },
...
]

现在要对不同的层级进行分组汇总（对 trainerId 分组，统计每组中 ownerColours 的成员个数），直接在 Java 用使用一般的类型仍很复杂，SPL 就简单多了：

SPL 支持分步计算、有序计算、分组后计算等逻辑较复杂的计算，很多 SQL/ 存储过程难以实现的计算，用 SPL 解决起来就很轻松。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序：

SPL 有丰富的日期和字符串函数，能有效简化相关计算。

季度增减：elapse@q("2020-02-27",-3) // 返回 2019-05-27

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、求季度、按正则表达式拆分字符串、拆出单词、按标记拆 HTML 等大量函数。

值得一提的是，为了进一步提高开发效率，SPL 还创造了独特的函数语法。比如用选项区分类似的函数，只过滤出符合条件的第 1 条记录，可使用选项 @1：

T.select@1(Amount>1000)

从后往前查找第 1 条记录，可以使用 @z：

T.select@z1(Amount>1000)

热部署集成架构

SPL 提供了 JDBC 接口，可以被 Java 代码方便地集成。简单的 SPL 代码可以像 SQL 一样，直接嵌入 JAVA：

String jsonStr=…   //Json串
Class.forName("com.esproc.jdbc.InternalDriver");
Connection connection =DriverManager.getConnection("jdbc:esproc:local://");
Statement statement = connection.createStatement();
String query="=json(json($["+jsonStr+"]).conj(Orders).select((Amount>1000 && Amount<=2000)))";
ResultSet result = statement.executeQuery(query);

复杂的 SPL 代码可以先存为脚本文件，再以存储过程的形式被 JAVA 调用，可有效降低计算代码和前端应用的耦合性。

Class.forName("com.esproc.jdbc.InternalDriver");
Connection conn =DriverManager.getConnection("jdbc:esproc:local://");
CallableStatement statement = conn.prepareCall("{call getRestful(?, ?)}");
statement.setObject(1, "2020-01-01");
statement.setObject(2, "2020-01-31");
statement.execute();

SPL 是解释型语言，外置的代码无须编译就能执行，支持不停机热部署，适合变化的业务逻辑，运维复杂度低。