多维分析后台实践 1：基础宽表

实践目标

本期目标是练习如何搭建多维分析后台的基础宽表，并通过 SPL 和 SQL 访问基础宽表。

实践的步骤：

1、 准备基础宽表：将基础宽表数据从数据库中取出，存成组表文件。

2、 访问基础宽表：用 SPL 或者 SQL 语句访问。

本期样例宽表为 customer 表。从 Oracle 数据库中取出宽表数据的 SQL 语句是 select * from customer。执行结果如下图：

其中字段包括：

CUSTOMER_ID NUMBER(10,0), 客户编号

FIRST_NAME VARCHAR2(20), 名

LAST_NAME VARCHAR2(25), 姓

PHONE_NUMBER VARCHAR2(20), 电话号码

BEGIN_DATE DATE, 开户日期

JOB_ID VARCHAR2(10), 职业编号

JOB_TITLE VARCHAR2(32), 职业名称

BALANCE NUMBER(8,2), 余额

EMPLOYEE_ID NUMBER(4,0), 开户雇员编号

DEPARTMENT_ID NUMBER(4,0), 分支机构编号

DEPARTMENT_NAME VARCHAR2(32), 分支结构名称

FLAG1 CHAR(1), 标记 1

FLAG2 CHAR(1), 标记 2

FLAG3 CHAR(1), 标记 3

FLAG4 CHAR(1), 标记 4

FLAG5 CHAR(1), 标记 5

FLAG6 CHAR(1), 标记 6

FLAG7 CHAR(1), 标记 7

FLAG8 CHAR(1), 标记 8

多维分析计算的目标可以用下面的 SQL 语句表示：

select department_id,job_id,begin_date,sum(balance) sum,count(customer_id) count

from customer

where department_id in (10,20,50,60,70,80) and flag1='1' and flag8='1'

group by department_id,job_id,begin_date

准备宽表

编写 etl.dfx，从数据库中取出数据生成组表文件 customer.ctx，即存储为宽表。代码示例如下：

	A	B
1	=connect@l("oracle")	=A1.cursor("select   * from customer")
2	=file("data/customer.ctx").create@y(customer_id,first_name,last_name,phone_number,begin_date,job_id,job_title,balance,employee_id,department_id,department_name,flag1,flag2,flag3,flag4,flag5,flag6,flag7,flag8)
3	=A2.append(B1)	>A2.close(),A1.close()

A1：连接预先配置好的数据库 oracle。@l 选项是将字段名处理成小写，l 是字母 L 的小写，不是数字 1。

B1：建立数据库游标，准备取出 customer 表的数据。customer 是事实表，实际应用中一般都比较大，所以用游标的方式，避免内存溢出。

A2：定义列存组表文件。字段名和 B1 完全一致。

A3：边取出游标 B1，边输出到组表文件中。

B3：关闭组表文件和数据库连接。

当宽表数据量有一千万行时，导出组表文件约 393MB。

部署集算服务器

按照教程部署好集算器节点机。将 meta.txt 放入主目录中，文件内容是表名和文件名的对应关系，如下：

Table      File  Column  Type

customer       data/customer.ctx

文件名是相对于主目录的，假如节点机主目录是 d:/esproc/，那么完整的文件名就是 d:/esproc/data/customer.ctx。

访问宽表

多维分析后台需要被通用的前端所调用。调用的方式有两种，第一种是使用 SQL；第二种是执行脚本，提交过滤条件、分组字段等参数给后台执行。

一、SQL

我们先来看第一种，以 Java 调用集算器 JDBC 为例来说明。Java 示例代码如下：

public void testOlapServer(){

Connection con = null;

java.sql.Statement st;

try{

// 建立连接

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

// 根据 url 获取连接

con= DriverManager.getConnection("jdbc:esproc:local://?onlyServer=true&sqlfirst=plus");

st = con.createStatement();

// 直接执行 SQL+ 语句，获取结果集

ResultSet rs = st.executeQuery("select department_id,job_num,begin_date,sum(balance) sum,count(customer_id) count from customer where department_id in  (10,20,50,60,70,80) and flag1='1'and flag8='1'group by department_id,job_num,begin_date");

// 继续处理结果集，将结果集展现出来

}

catch(Exception e){

out.println(e);

}

finally{

// 关闭连接

if (con!=null) {

try {con.close();}

catch(Exception e) {out.println(e);      }

}

}

}

这里的 customer.ctx 会被完全读入内存，不适合大数据量的情况。对于大数据量，可以在表名前面加 /*+ external*/，组表会被处理成游标。或者也可以采用下面执行脚本的方法。

加上 /*+ external*/ 之后的 SQL 如下：

select department_id,job_num,begin_date,sum(balance) sum,count(customer_id) count

from /*+ external*/ customer

where department_id in  (10,20,50,60,70,80) and flag1='1' and flag8='1'

group by department_id,job_num,begin_date

用游标时，Java 程序执行的总时间是 8 秒。

需要说明的是，这里的执行时间绝对数值并不重要（它和硬件环境相关）。记录执行时间是为了后面的实践中采用多种优化方法时，看看可以将时间缩短多少。

我们可以用多线程并行的方式执行 SQL，方法是给表名加上/*+parallel (n) */。2 线程并行完整的 SQL 如下：

select department_id,job_num,begin_date,sum(balance) sum,count(customer_id) count

from /*+ external*/ /*+parallel (2) */ customer

where department_id in  (10,20,50,60,70,80) and flag1='1' and flag8='1'

group by department_id,job_num,begin_date

2 线程并行时，Java 程序执行的总时间是 4 秒。

二、执行脚本

编写 olap-spl.dfx，用 SPL 代码访问宽表并进行过滤和分组汇总计算。

先定义网格参数，将文件名、过滤条件、分组字段、聚合表达式分别传入。

参数设置窗口如下：

参数值设置如下：

filename="data/customer.ctx"

where="[10,20,50,60,70,80].contain(department_id) && flag1==\"1\"&& flag8==\"1\"

group="department_id,job_id,begin_date"

aggregate="sum(balance):sum,count(customer_id):count"

SPL 代码示例如下：

	A	B
1	=file(filename).open()	=A1.cursor(;${where})
2	=B1.groups(${group};${aggregate})
3	return A2

A1：打开组表对象。

B1：建立游标，定义游标前过滤，条件是 where 变量的值。

A2：对游标做分组汇总计算，分组字段是 group 变量的值。汇总计算是 aggregate 变量的值。因为分组之后数据量较小，所以用 groups，结果集直接放在内存中。

执行结果如下图：

A3：将结果集返回给调用者。

olap-spl.dfx 编写好之后，可以在多维分析中作为存储过程调用，Java 代码如下：

public void testOlapServer(){

Connection con = null;

java.sql.PreparedStatement st;

try{

// 建立连接

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

// 根据 url 获取连接

con= DriverManager.getConnection("jdbc:esproc:local://?onlyServer=true&sqlfirst=plus");

// 调用存储过程，其中 olap-spl 是 dfx 的文件名

st =con.prepareCall("call olap-spl(?,?,?,?)");

st.setObject(1, "data/customer.ctx");

st.setObject(2, "[10,20,50,60,70,80].contain(department_id) && flag1==\"1\"&& flag8==\"1\" ");

st.setObject(3, "department_id,job_id,begin_date");

st.setObject(4, "sum(balance):sum,count(customer_id):count");

// 执行存储过程

st.execute();

// 获取结果集

ResultSet rs = st.getResultSet();

// 继续处理结果集，将结果集展现出来

}

catch(Exception e){

out.println(e);

}

finally{

// 关闭连接

if (con!=null) {

try {con.close();}

catch(Exception e) {out.println(e);      }

}

}

}

此时，我们是采用单线程进行的计算。

单线程时，Java 程序执行的总时间是 12 秒。

我们也可以用多线程并行的方式执行脚本。2 线程并行的 olap-spl.dfx 脚本如下：

	A	B
1	=file(filename).open()	=A1.cursor@m(;${where};2)
2	=B1.groups(${group};${aggregate})
3	return A2

B1：cursor 函数的 @m 是指多路游标，最后一个参数 2 表示 2 路，也就是 2 线程并行。

2 线程时，Java 程序执行的总时间是 6 秒。