集算器协助Java处理结构化文本之分组汇总

直接用Java实现文体文件分组汇总会有如下的麻烦：

1、文件不是数据库，不能用SQL访问。当分组、汇总表达式变化时，只能改写代码。而要实现灵活表达式的话，需要自己实现动态表达式解析和求值，编程工作量非常大。

2、遍历过程中记录分组结果，结果小了还可以存在内存中，如果分组结果太大时要将中间结果缓存进临时文件再归并，实现过程非常复杂。

使用集算器辅助Java编程，这些问题都有现成的类库可以解决。下面，我们通过例子来看一下具体作法。

文本文件employee.txt中保存有员工信息，我们要按照DEPT分组，求出每组的员工个数COUNT和薪酬SALARY总额。

文本文件empolyee.txt的格式如下：

    EID NAME SURNAME GENDER STATE BIRTHDAY HIREDATE DEPT SALARY
    1 Rebecca Moore F California 1974-11-20 2005-03-11 R&D 7000
    2 Ashley Wilson F New York 1980-07-19 2008-03-16 Finance 11000
    3 Rachel Johnson F New Mexico 1970-12-17 2010-12-01 Sales 9000
    4 Emily Smith F Texas 1985-03-07 2006-08-15 HR 7000
    5 Ashley Smith F Texas 1975-05-13 2004-07-30 R&D 16000
    6 Matthew Johnson M California 1984-07-07 2005-07-07 Sales 11000
    7 Alexis Smith F Illinois 1972-08-16 2002-08-16 Sales 9000
    8 Megan Wilson F California 1979-04-19 1984-04-19 Marketing 11000
    9 Victoria Davis F Texas 1983-12-07 2009-12-07 HR 3000
    10 Ryan Johnson M Pennsylvania 1976-03-12 2006-03-12 R&D 13000
    11 Jacob Moore M Texas 1974-12-16 2004-12-16 Sales 12000
    12 Jessica Davis F New York 1980-09-11 2008-09-11 Sales 7000
    13 Daniel Davis M Florida 1982-05-14 2010-05-14 Finance 10000
    …

实现的思路是：用Java程序调用集算器脚本，读取和计算数据，之后将结果以ResultSet的方式返回给Java程序。由于集算器支持动态表达式解析和求值，使得Java程序可以像使用sql那样，灵活的处理文本文件中的数据。

例如，我们需要按照DEPT分组，求出每组的员工个数COUNT和薪酬SALARY总额，esProc程序可以从外部传入一个输入参数“groupBy”作为动态的分组和汇总条件，如下图：

“groupBy”的值是：DEPT:dept;count(~):count,sum(SALARY):salary。esProc代码如下：

A1：定义一个file游标对象，第一行是标题，字段分隔符默认是tab。esProc的集成开发环境可以直观的显示出导入的数据，如上图右边部分。

A2：按照指定字段分组汇总。这里使用宏来实现动态解析表达式，其中的groupBy就是传入参数。集算器将先计算${…}里的表达式，将计算结果作为宏字符串值替换${…}之后解释执行。这个例子中最终执行的是：=A1.groups(DEPT:dept;count(~):count,sum(SALARY):salary)。

A3：向外部程序返回符合条件的结果集。

分组字段发生变化时不用改代码，只需改变groupBy参数即可。例如，分组变为：按照DEPT和GENDER两个字段分组，求出每组的员工个数COUNT和薪酬SALARY总额。groupBy的参数值可以写为：DEPT:dept,GENDER:gender;count(~):count,sum(SALARY):salary。

针对所有数据的简单汇总计算可以看作是分组汇总的一种特殊情况。例如：要统计全部员工的个数和薪酬总数，这时可将groupBy参数值写为：;count(~):count,sum(SALARY):salary，即分组的部分填空，相当于把所有数据只分成一个组。这样做的好处是可以一次遍历计算出这批数据的多个汇总值。

在Java程序中通过集算器的jdbc调用这段esProc程序（保存为test.dfx文件）的代码如下：

    //建立esProc jdbc连接
    Class.forName(“com.esproc.jdbc.InternalDriver”);
    con= DriverManager.getConnection(“jdbc:esproc:local://”);
    //调用esProc 程序（存储过程），其中test是dfx的文件名
    com.esproc.jdbc.InternalCStatement st;
    st =(com.esproc.jdbc.InternalCStatement)con.prepareCall(“call test(?)”);
    //设置参数
    st.setObject(1,”DEPT:dept,GENDER:gender;count(~):count,sum(SALARY):salary”);//参数就是动态的分组汇总字段
    //执行esProc存储过程
    st.execute();
    //获取结果集
    ResultSet set = st.getResultSet();

对于代码较简单的脚本，还可以把代码直接写在调用集算器JDBC的Java程序中，而不必专门编写脚本文件（test.dfx）：
st=(com. esproc.jdbc.InternalCStatement)con.createStatement();
ResultSet set=st.executeQuery(“=file(\”D:/employee.txt\”).cursor@t().groups(DEPT:dept,
GENDER:gender;count(~):count,sum(SALARY):salary)”);

这段Java代码直接调用了集算器的一句脚本：从文本文件中取得数据处理后，结果集返回给ResultSet对象set。

如果分组结果集还是比较大而不能在内存装入，则要使用groupx语句用文件游标的方式返回分组结果。集算器代码将调整如下：

groups函数把分组汇总的结果完全放在内存中，而groupx则当分组汇总结果大于缓冲行数的时候会把结果写入临时文件，并重新利用内存。之后，groupx再将生成的临时文件归并。这里的参数1000000就是指缓冲行数，取值原则是充分利用内存，以尽量减少缓存文件的数量。这个数量和物理内存大小及记录本身的大小都有关，需要编程时估算，一般建议在几十万到上百万的量级。

虽然A3单元格给Java返回的不是结果集而是游标，但是Java调用的程序不用修改。在Java使用ResultSet遍历数据的时候集算器会自动读取游标对应的内容。

这段程序可以再完善以支持分组前和分组后过滤，类似SQL中的where和having。例如：统计对象变为只统计女员工（GENDER==”F”），并且分组汇总之后，只保留女员工个数大于10的部门。具体代码如下：