Moteur de données intégré Java de SQLite à l'analyse d'exemples SPL

Les moteurs de données pouvant être embarqués dans les applications Java semblent riches, mais en fait ce n'est pas facile de choisir. Redis a une faible puissance de calcul et ne convient qu'aux scénarios de requêtes simples. L'architecture Spark est complexe et lourde, ce qui rend le déploiement et la maintenance très compliqués. Les bases de données embarquées telles que H2HSQLDBDerby ont une structure simple, mais leur puissance de calcul est insuffisante et elles ne prennent même pas en charge les fonctions de base des fenêtres.

En revanche, SQLite a atteint un meilleur équilibre entre architecture et puissance de calcul et est un moteur de données Java intégré largement utilisé.

SQLite s'adapte aux scénarios d'application de base habituels

SQLite a une structure simple. Bien que son noyau soit développé en langage C, il est bien emballé et présenté à l'extérieur sous la forme d'un petit package Jar, qui peut être facilement intégré aux applications Java. SQLite fournit une interface JDBC qui peut être appelée par Java :

Connection connection = DriverManager.getConnection("jdbc:sqlite::memory:");
Statement st = connection.createStatement();
st.execute("restore from d:/ex1");
ResultSet rs = st.executeQuery("SELECT * FROM orders");

SQLite fournit une syntaxe SQL standard, et le traitement et les calculs de routine des données ne posent aucun problème. En particulier, SQLite prend déjà en charge les fonctions de fenêtre, qui peuvent facilement mettre en œuvre de nombreuses opérations intra-groupe et disposent d'une puissance de calcul plus élevée que les autres bases de données embarquées.

SELECT x, y, row_number() OVER (ORDER BY y) AS row_number FROM t0 ORDER BY x;
SELECT a, b, group_concat(b, '.') OVER ( ORDER BY a ROWS BETWEEN 1 PRECEDING AND 1 FOLLOWING) AS group_concat FROM t1;

SQLite a encore des défauts face à des scénarios complexes

SQLite présente des avantages exceptionnels, mais il présente encore quelques défauts lorsqu'il s'agit de scénarios d'application complexes.

Les applications Java peuvent traiter diverses sources de données, telles que les fichiers csv, RDB, Excel, Restful, mais SQLite ne gère que les cas simples, c'est-à-dire qu'il fournit un chargeur de ligne de commande directement disponible pour les fichiers texte tels que csv :

.import --csv --skip 1 --schema temp /Users/scudata/somedata.csv tab1

Pour la plupart des autres sources de données, SQLite ne fournit pas d'interfaces pratiques. Vous pouvez uniquement écrire du code en dur pour charger les données, ce qui nécessite d'appeler la ligne de commande plusieurs fois. L'ensemble du processus est très fastidieux et rapide.

Prenons l'exemple du chargement de la source de données RDB. L'approche générale consiste à utiliser d'abord Java pour exécuter la ligne de commande et convertir la table de la bibliothèque RDB en csv ; puis à utiliser JDBC pour accéder à SQLite et à créer la structure de la table ; exécutez la ligne de commande et importez le fichier csv SQLite ; enfin, indexez la nouvelle table pour améliorer les performances. Cette méthode est relativement rigide. Si vous souhaitez définir de manière flexible la structure et le nom de la table, ou déterminer les données chargées par calcul, le code sera plus difficile à écrire.

De même, pour les autres sources de données, SQLite ne peut pas être chargé directement et doit également passer par un processus de conversion fastidieux.

SQL est proche du langage naturel, a un faible seuil d'apprentissage et est facile à mettre en œuvre des calculs simples, mais il n'est pas bon pour les calculs complexes, tels que les calculs d'ensembles complexes, les calculs ordonnés, les calculs associatifs et les calculs en plusieurs étapes. SQLite utilise des instructions SQL pour les calculs, et les avantages et les inconvénients de SQL seront hérités. Si vous implémentez à peine ces calculs complexes, le code semblera lourd et difficile à comprendre.

Par exemple, le nombre de jours de hausse le plus long pour un certain stock, le SQL doit être écrit comme ceci :

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)

Ce n'est pas seulement un problème de SQLite. En fait, en raison d'une agrégation incomplète, d'un manque de numéros de série, d'un manque. de références d'objets, etc., d'autres bases de données SQL. Pas bon non plus pour ces calculs.

La logique métier consiste en un calcul de données structurées et un contrôle de processus. SQLite prend en charge SQL et dispose de capacités de calcul de données structurées. Cependant, SQLite ne fournit pas de procédures stockées et ne dispose pas de capacités de contrôle de processus indépendantes, il ne peut donc pas implémenter de logique métier générale. les instructions de jugement et de boucle du programme principal Java. Étant donné que Java ne dispose pas d'objets de données structurés professionnels pour transporter les tables et enregistrements de données SQLite, le processus de conversion est fastidieux, le processus de traitement n'est pas fluide et l'efficacité du développement n'est pas élevée.

Comme mentionné précédemment, le noyau SQLite est un programme C. Bien qu'il puisse être intégré aux applications Java, il ne peut pas être intégré de manière transparente à Java. L'échange de données avec le programme principal Java nécessite une conversion fastidieuse. des données Les performances seront évidemment insuffisantes lorsque la taille est grande ou que l'interaction est fréquente. De plus, comme le noyau est un programme C, SQLite détruira dans une certaine mesure la cohérence et la robustesse de l'architecture Java.

Pour les applications Java, esProc SPL nativement sur la JVM est un meilleur choix.

SPL prend entièrement en charge diverses sources de données

esProc SPL est un moteur de données intégré open source sous JVM. Il a une architecture simple et peut charger directement des sources de données. Il peut être intégré et appelé par Java via l'interface JDBC. effectuer facilement des calculs ultérieurs.

SPL a une architecture simple et ne nécessite pas de services indépendants Tant que le package SPL Jar est introduit, il peut être déployé dans l'environnement Java.

Chargez directement la source de données, le code est court, le processus est simple et la rapidité est forte. Par exemple, en chargeant Oracle :

a
1	= Connect ("OrCl")
2	=a1.query@x ("Sélectionnez Orderid, Client, Sellerid , OrderDate, Montant des commandes commandées par OrderID")
3	>env(orders,A2)

对于SQLite擅长加载的csv文件，SPL也可以直接加载，使用内置函数而不是外部命令行，稳定且效率高，代码更简短：

=T("/Users/scudata/somedata.csv")

多种外部数据源。除了RDB和csv，SPL还直接支持txt\xls等文件，MongoDB、Hadoop、redis、ElasticSearch、Kafka、Cassandra等NoSQL，以及WebService XML、Restful Json等多层数据。比如，将HDSF里的文件加载到内存：

A
1	=hdfs_open(;"hdfs://192.168.0.8:9000")
2	=hdfs_file(A1,"/user/Orders.csv":"GBK")
3	=A2.cursor@t()
4	=hdfs_close(A1)
5	>env(orders,A4)

JDBC接口可以方便地集成。加载的数据量一般比较大，通常在应用的初始阶段运行一次，只须将上面的加载过程存为SPL脚本文件，在Java中以存储过程的形式引用脚本文件名：

Class.forName("com.esproc.jdbc.InternalDriver");
Connection conn =DriverManager.getConnection("jdbc:esproc:local://");
CallableStatement statement = conn.prepareCall("{call init()}");
statement.execute();

SPL的计算能力更强大

SPL提供了丰富的计算函数，可以轻松实现日常计算。SPL支持多种高级语法，大量的日期函数和字符串函数，很多用SQL难以表达的计算，用SPL都可以轻松实现，包括复杂的有序计算、集合计算、分步计算、关联计算，以及带流程控制的业务逻辑。

丰富的计算函数。SPL可以轻松实现各类日常计算：

	A	B
1	=Orders.find(arg_OrderIDList)	//多键值查找
2	=Orders.select(Amount>1000 && like(Client,\"*S*\"))	//模糊查询
3	= Orders.sort(Client,-Amount)	//排序
4	= Orders.id(Client)	//去重
5	=join(Orders:O,SellerId; Employees:E,EId).new(O.OrderID, O.Client,O.Amount,E.Name,E.Gender,E.Dept)	//关联

标准SQL语法。SPL也提供了SQL-92标准的语法，比如分组汇总：

$select year(OrderDate) y,month(OrderDate) m, sum(Amount) s,count(1) c
from {Orders}
Where Amount>=? and Amount<? ;arg1,arg2

函数选项、层次参数等方便的语法。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SQL更加灵活方便。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：

T.select@1(Amount>1000)

二分法排序，即对有序数据用二分法进行快速过滤，使用@b：

T.select@b(Amount>1000)

有序分组，即对分组字段有序的数据，将相邻且字段值相同的记录分为一组，使用@b：

T.groups@b(Client;sum(Amount))

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有些很复杂，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使用层次参数简化了复杂参数的表达，即通过分号、逗号、冒号自高而低将参数分为三层：

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

更丰富的日期和字符串函数。除了常见函数，比如日期增减、截取字符串，SPL还提供了更丰富的日期和字符串函数，在数量和功能上远远超过了SQL，同样运算时代码更短。比如：

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SQL的where或select部分、拆出单词、按标记拆HTML等大量函数。

简化有序运算。涉及跨行的有序运算，通常都有一定的难度，比如比上期和同期比。SPL使用"字段[相对位置]"引用跨行的数据，可显著简化代码，还可以自动处理数组越界等特殊情况，比SQL窗口函数更加方便。比如，追加一个计算列rate，计算每条订单的金额增长率：

=T.derive(AMOUNT/AMOUNT[-1]-1: rate)

综合运用位置表达式和有序函数，很多SQL难以实现的有序运算，都可以用SPL轻松解决。比如，根据考勤表，找出连续 4 周每天均出勤达 7 小时的学生：

	A
1	=Student.select(DURATION>=7).derive(pdate@w(ATTDATE):w)
2	=A1.group@o(SID;~.groups@o(W;count(~):CNT).select(CNT==7).group@i(W-W[-1]!=7).max(~.len()):weeks)
3	=A2.select(weeks>=4).(SID)

简化集合运算，SPL的集合化更加彻底，配合灵活的语法和强大的集合函数，可大幅简化复杂的集合计算。比如，在各部门找出比本部门平均年龄小的员工：

A
1	=Employees.group(DEPT; (a=~.avg(age(BIRTHDAY)),~.select(age(BIRTHDAY)
2	=A1.conj(YOUNG)

计算某支股票最长的连续上涨天数：

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

简化关联计算。SPL支持对象引用的形式表达关联，可以通过点号直观地访问关联表，避免使用JOIN导致的混乱繁琐，尤其适合复杂的多层关联和自关联。比如，根据员工表计算女经理的男员工：

=employees.select(gender:"male",dept.manager.gender:"female")

方便的分步计算，SPL集合化更加彻底，可以用变量方便地表达集合，适合多步骤计算，SQL要用嵌套表达的运算，用SPL可以更轻松实现。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：

A	B
2	=sales.sort(amount:-1)	/销售额逆序排序，可在SQL中完成
3	=A2.cumulate(amount)	/计算累计序列
4	=A3.m(-1)/2	/最后的累计即总额
5	=A3.pselect(~>=A4)	/超过一半的位置
6	=A2(to(A5))	/按位置取值

流程控制语法。SPL提供了流程控制语句，配合内置的结构化数据对象，可以方便地实现各类业务逻辑。

分支判断语句：

	A	B
2	…
3	if T.AMOUNT>10000	=T.BONUS=T.AMOUNT*0.05
4	else if T.AMOUNT>=5000 && T.AMOUNT<10000	=T.BONUS=T.AMOUNT*0.03
5	else if T.AMOUNT>=2000 && T.AMOUNT<5000	=T.BONUS=T.AMOUNT*0.02

循环语句：

	A	B
1	=db=connect("db")
2	=T=db.query@x("select * from sales where SellerID=? order by OrderDate",9)
3	for T	=A3.BONUS=A3.BONUS+A3.AMOUNT*0.01
4		=A3.CLIENT=CONCAT(LEFT(A3.CLIENT,4), " co.,ltd.")
5		…

与Java的循环类似，SPL还可用break关键字跳出（中断）当前循环体，或用next关键字跳过（忽略）本轮循环，不展开说了。

计算性能更好。在内存计算方面，除了常规的主键和索引外，SPL还提供了很多高性能的数据结构和算法支持，比大多数使用SQL的内存数据库性能好得多，且占用内存更少，比如预关联技术、并行计算、指针式复用。

优化体系结构

SPL支持JDBC接口，代码可外置于Java，耦合性更低，也可内置于Java，调用更简单。SPL支持解释执行和热切换，代码方便移植和管理运营，支持内外存混合计算。

外置代码耦合性低。SPL代码可外置于Java，通过文件名被调用，既不依赖数据库，也不依赖Java，业务逻辑和前端代码天然解耦。

对于较短的计算，也可以像SQLite那样合并成一句，写在Java代码中：

Class.forName("com.esproc.jdbc.InternalDriver");
Connection conn =DriverManager.getConnection("jdbc:esproc:local://");
Statement statement = conn.createStatement();
String arg1="1000";
String arg2="2000"
ResultSet result = statement.executeQuery(=Orders.select(Amount>="+arg1+" && Amount<"+arg2+"). groups(year(OrderDate):y,month(OrderDate):m; sum(Amount):s,count(1):c)");

解释执行和热切换。业务逻辑数量多，复杂度高，变化是常态。良好的系统构架，应该有能力应对变化的业务逻辑。SPL是基于Java的解释型语言，无须编译就能执行，脚本修改后立即生效，支持不停机的热切换，适合应对变化的业务逻辑。

方便代码移植。SPL通过数据源名从数据库取数，如果需要移植，只要改动配置文件中的数据源配置信息，而不必修改SPL代码。SPL支持动态数据源，可通过参数或宏切换不同的数据库，从而进行更方便的移植。为了进一步增强可移植性，SPL还提供了与具体数据库无关的标准SQL语法，使用sqltranslate函数可将标准SQL转为主流方言SQL，仍然通过query函数执行。

方便管理运营。由于支持库外计算，代码可被第三方工具管理，方便团队协作；SPL脚本可以按文件目录进行存放，方便灵活，管理成本低；SPL对数据库的权限要求类似Java，不影响数据安全。

内外存混合计算。有些数据太大，无法放入内存，但又要与内存表共同计算，这种情况可利用SPL实现内外存混合计算。比如，主表orders已加载到内存，大明细表orderdetail是文本文件，下面进行主表和明细表的关联计算：

	A
1	=file("orderdetail.txt").cursor@t()
2	=orders.cursor()
3	=join(A1:detail,orderid ; A2:main,orderid)
4	=A3.groups(year(main.orderdate):y; sum(detail.amount):s)

SQLite使用简单方便，但数据源加载繁琐，计算能力不足。SPL架构也非常简单，并直接支持更多数据源。SPL计算能力强大，提供了丰富的计算函数，可以轻松实现SQL不擅长的复杂计算。SPL还提供多种优化体系结构的手段，代码既可外置也可内置于Java，支持解释执行和热切换，方便移植和管理运营，并支持内外存混合计算。

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!