计算框架五花八门，有用于流式计算的Flink，用于边缘计算的eKuiper、用于大规模分布式计算的MapReduce，还有Spark、Samza、Storm、Omega、Kubernetes、Oracle Event Processing、Spring Batch、DataX、Kettle、influxdb、TDengine等。很多开发者认为这些计算框架可以大幅减少开发工作量，研究学习的氛围很浓厚，进而催生出更多的框架出来。

计算框架对减少工作量的作用不大

应用结构很重要，是开发工作成败的关键，现成的计算框架避免了从头开发结构性代码，可以节省这部分的开发工作量。但是，结构性代码与具体业务无关，即使自行开发，工作量也不大，应用程序使用计算框架后，能减少的工作量很有限。实际上，应用程序的主要工作量是业务逻辑代码，也就是结构里的内容，计算框架的关注点在于结构性代码，而不是业务逻辑代码，很难减少这部分的工作量。

此外，计算框架是根据典型场景做死的，有着严格的限制，很难面面俱到，比如很难把Flink集成进应用程序内部，很难让MapReduce发挥高性能小集群的优势。

计算类库对减少工作量的作用更大

计算框架很重要，但对减少工作量的作用不大。那么什么东西才能提高开发效率？应用程序的主要工作量是业务逻辑代码，如果有现成的东西可简化业务逻辑的编写，就能减少工作量了。

这就是类库。

JDK下有很多计算类库。比如JDK自带的Stream内置去重、排序、分组、最大、最小等函数，方便了流数据的计算；Tablesaw提供了排序、过滤、聚合等函数，可以避免自己硬编码；JsonPath提供了查询Json串的语法，可以用简短的语句查询多层Json。这些类库接口友好，可以被Java程序直接调用，可以显著减少业务逻辑的开发工作量。

此外，计算类库没有结构性代码，不会受限于典型应用场景，开发者可以将其自由应用于创新的计算场景，根据具体场景设计细节功能，或将必要的场景维度自由组合在一起。

良好计算类库的标准

作为良好的计算类库，是不是只要做好一大堆函数就行了，比如在Stream里增加分组汇总和关联计算函数？

丰富的函数是良好计算类库的基本标准，但远远不够，良好计算类库还应当具备以下特征：

专业的数据对象，专用于计算的语言。计算类库的所有功能都基于底层的数据对象（结构化数据为主，数组、矩阵为辅），这种数据对象以计算为目标，专业性很强，与EntityBean之类的普通对象区别较大。从空间、性能、运行稳定性、接口便利性等方面考虑，这种以计算为目标的数据对象应当是编程语言原生提供的，这就要求编程语言本身是专用于计算的语言，而不是Java\C#等用途通用的语言。

解释型语言。计算过程通常有多个步骤组成，每个步骤的中间结果通常都不同，数据结构也不同，这就要求计算类库基于解释型的计算语言，有动态推断数据结构的能力，否则就要像Scala等编译型语言一样，事先定义每一步的数据结构，代码将很难编写。解释型语言还可以简化Lambda语法的接口规则，可以用简短的代码实现较复杂的业务逻辑。

原生的计算函数库和流程控制语法。除了数据对象外，计算函数库和流程控制语法也应当是原生的，这样才能获得来自底层的支持，才能保证执行效率和表达效率这两大核心指标。Pandas这种Python的第三方函数库不算良好的计算类库，SQLite这种需要借助外部实现流程控制的内存数据库也不是。

开放的计算体系。良好的计算类库，应当可以直接计算常见的数据源，并直接进行跨源计算，如文件、RDB、微服务、流数据、大数据，而不是像数据库那样事先执行耗时繁琐的操作，如建库、建表结构、入库。

易于集成的接口。计算类库实现业务逻辑代码后，通常要被通用程序语言调用，成为整体项目的一部分，这就要求计算类库提供易于集成的接口，比如JDBC\ODBC\HTTP等，API接口会绑定编程语言，勉强可以接受但不算优选接口，比如Tablesaw类库。

SPL是良好的计算类库

SPL是基于JVM的轻量级开源计算类库，不仅内置丰富的函数库，还提供了易用的集成接口和表达能力足够强的解释型计算语言，内置专用于计算的数据对象、原生的计算函数库和流程控制语法，支持开放的计算体系，达到了良好计算类库的标准。

解释型计算语言

SPL是解释型计算语言，其Lambda表达式接口简单易用，可以方便地推断出值参数和函数参数，适合中间步骤较多的复杂计算。

专业的数据对象

SPL设计了序表这种专用于数据计算的对象，序表优先使用游离记录，与复制记录相比，占用的内存少，性能高。序表天然具备序号；可方便地访问字段。

SPL还可以动态推断计算结果的数据结构，适合较复杂的多步骤计算：

````

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

.groups(e.DEPT;sum(o.Amount):amt,count(1):cnt)

.select(amt>1000 && amt<3000)

````

原生的计算函数库和流程控制语法

基于解释型语言和专业的数据对象，SPL提供了原生的计算函数库，可以轻松完成日常的SQL式计算，实现各种场景下的业务逻辑，比如去重、分组汇总、关联等。

SPL集合化更彻底，支持有序计算、分步计算、对象式关联计算，可以简化复杂的业务逻辑。基于高性能私有格式，SPL提供了大量高性能算法，可显著提升IO性能和计算性能。

SPL提供原生的流程控制语法，可以方便地实现日常业务逻辑。分支结构：

	A	B
3	for T	=A3.BONUS=A3.BONUS+A3.AMOUNT*0.01
4		=A3.CLIENT=CONCAT(LEFT(A3.CLIENT,4), "co.,ltd.")
5		…

开放的计算体系

不必事先入库建模，SPL可直接计算多种数据源，并将计算结果写入新数据源，包括各类文件、RDB、Restful、Hive、MongoDB、Kafka等。

易用的JDBC集成接口

SPL计算代码以脚本文件的形式存于操作系统目录，Java代码通过JDBC调用SPL脚本文件，调用方法同存储过程。

例子：将SPL脚本存为mix.splx，Java通过JDBC调用脚本：

````

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

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

CallableStatement statement = conn.prepareCall("{call mix(?, ?)}");

statement.setObject(1, "2022-01-01");

statement.setObject(2, "2022-12-31");

statement.execute();

````

除了JDBC接口，SPL还内置HTTP服务，允许上层应用以POST/GET方式直接调用脚本文件，终端设备也可以通过该方式将消息推送给SPL去处理。

计算框架的计算代码与非计算代码是高度混合的，SPL弱化框架属性强化类库属性，计算代码外置于Java的非计算代码，两者各司其职专业互补，一方改动不影响另一方，程序员不用借助控制类框架（如Spring），就可以用简单代码降低计算逻辑和前端应用的耦合性。

SPL是解释型语言，修改后可立即执行，无须编译无须停机无须重启 JAVA 应用，程序员无需编写额外的结构性代码，可直接实现计算逻辑的热切换。

SPL应用场景举例

成熟的计算类库不限于某个典型的应用场景，可方便地集成到多种多样的应用场景中，下面选部分举例。

常规计算

常规计算场景即Birt/JasperReport等Java报表应用，或Servlet\JSP等Java Web应用，以及Java桌面或命令行应用。

报表计算

报表的开发要经过数据准备和数据呈现两个过程，报表工具只能解决呈现环节的问题，而对数据准备无能为力。SPL 计算能力强，可以简化报表数据准备，弥补报表工具计算能力不足，全面提升报表开发效率。

OLAP多维分析

多维分析是OLAP的重点细分场景，需要对多维度大体积的事实数据进行计算，并立刻返回计算结果，SPL创新的提出离散数据集代数，支持SQL很难实现的高性能算法及高性能存储格式，可以大幅提升多维分析的性能。

时序计算

时序计算的数据源涉及各类包含时间字段的HTTP数据、日志数据、消息数据，通常要用数据采集器作为中转。SPL内置HTTP服务，支持高性能存储格式，支持有序集合且集合化更彻底，特别适合时序计算。

离线跑批

离线跑批虽然并发要求低，但涉及的数据量往往很大，计算逻辑也很复杂，SPL提供了各类高性能算法、表达能力够强的计算语法，支持多数据源混合计算，非常适合跑批场景。

微服务

SPL是微服务理想的计算引擎，具备丰富计算类库与敏捷语法，可以大幅简化数据处理；体系开放可以实时处理任意数据源数据；解释执行天然支持热切换；借助高效算法与并行机制可以充分保证计算性能。