从 ES Kafka Mongodb Restful ... 取到 json 之后

json 是个好东西，它可以使用公共的文本形式承载了丰富的结构化数据的信息。现代很多技术都在喜欢使用 json 作为数据传输格式，比如 Elastic Search,Restful,Kafka 等，Mongodb 这类对性能较在意的技术则使用了二进制化的 json。

结构化的数据常常是批量的，也常常是需要再计算的。
但是，json 相关的类库却没什么方便用来做计算的。jsonpath 解析 json 没问题，却没什么计算能力，简单的过滤聚合还可以，稍复杂到分组汇总就不灵了，基本上是靠自己硬编码完成了。
写进数据库来算？这也太沉重了。何况，json 经常是多层的结构化数据，写进关系数据库要建几个关联的表，入库的成本远高于计算本身了。

esProc SPL 来帮你。
esProc SPL 是纯 Java 开发的开源计算引擎，开源地址

esProc SPL 对 json 库进行了封装，一句话就可以把 json 文本解析成可计算的 SPL 序表（SPL 的内存结构化数据对象）：

	A
1	=file("d:\\xml\\emp_orders.json").read()
2	=json(A1)

SPL 序表天然多层结构，即字段取值可以是另一个序表，这和 json 天然契合：

8a12b10be5_1png

一旦转换成 SPL 序表之后，计算本身就是 esProc 的强项了。过滤、分组、连接都不在话下，大部分计算目标都可以一句话完成：

Filter：T.select(Amount>1000 && Amount<=3000 && like(Client,"*s*"))
Sort：T.sort(Client,-Amount)
Distinct：T.id(Client)
Group：T.groups(year(OrderDate);sum(Amount))
Join：join(T1:O,SellerId; T2:E,EId)
TopN：T.top(-3;Amount)
TopN in group：T.groups(Client;top(3,Amount))

这些内容很多，这里就不展开了，感兴趣的小伙伴可以到乾学院去参考相关资料。

esProc SPL 已经封装了很多常见的 json 数据源的访问接口。
Restful：纯文本式的 json，计算完了还可以反向生成 json 文本

	A
1	=httpfile("http://127.0.0.1:6868/restful/emp_orders").read()
2	=json(A1)
3	=A2.conj(Orders).select(Amount>1000 && Amount<=2000 && like@c(Client,"business"))
4	=json(A3)

Elastic Search：可以直接在 SPL 代码中写 json 常数后参与传输和计算

	A
1	>apikey="Authorization:ApiKey a2x6aEF……KZ29rT2hoQQ=="
2	'{ "counter" : 1, "tags" : ["red"] ,"beginTime":"2022-01-03" ,"endTime":"2022-02-15" }
3	=es_rest("https://localhost:9200/index1/_doc/1", "PUT",A2;"Content-Type: application/x-ndjson",apikey)
4	=json(A3.Content)

Mongodb：二进制化的 json 也没问题

	A
1	=mongo_open("mongodb://127.0.0.1:27017/mymongo")
2	=mongo_shell(A1,"{'find':'orders',filter:{OrderID: {$gte: 50}},batchSize:100}")
3	=A2.cursor.firstBatch.select(Amount>1000 && Amount<=2000 && like@c(Client,"business"))
4	=mongo_close(A1)

Kafka：SPL 也封装了向这些数据源写出的接口，形成 IO 闭环

	A
1	=kafka_open("/kafka/my.properties", "topic1")
2	=kafka_poll(A1)
3	=A2.derive(json(value):v).new(key, v.fruit, v.weight)
4	=kafka_send(A1, "A100", json(A3))
5	=kafka_close(A1)

对于 Mongodb,Kafka 这类可能返回大数据量的数据源，esProc SPL 还提供游标对象和方法，可以逐步读取，边读边处理。这里就不详细举例了，小伙伴也可以去官网查阅资料。

通常 json 数据不会单独存在，还会和其它数据源交换数据以及混合计算。esProc SPL 当然也不只专门为了对付 json 而发明的，它是专业的计算引擎，能支持的数据源非常丰富：

clipboardpng

这些数据源都有被 SPL 读成序表和游标，再实现混合计算以及交换数据就非常容易了。

那么，esProc SPL 写出来的代码如何集成到应用程序中呢？
很简单，esProc 提供了标准的 JDBC 驱动，被 Java 程序引入后，就可以使用 SPL 语句了，和调用数据库 SQL 一样。

Class.forName("com.esproc.jdbc.InternalDriver");
Connection conn =DriverManager.getConnection("jdbc:esproc:local://");
Statement statement = conn.createStatement();
ResultSet result = statement.executeQuery("=json(file(\"Orders.csv\")).select(Amount>1000 && like(Client,\"*s*\")

件，然后就像调用存储过程一样：

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

作为纯 Java 开发的软件，esProc SPL 可以完全无缝地集成进 Java 应用中，就和应用程序员自己写的代码一样，一起享受成熟 Java 框架的优势。SPL 本身有完善的流程控制语句，像 for 循环，if 分支都不在话下，还支持子程序调用。只用 SPL 就能实现非常复杂的业务逻辑，直接构成完整的业务单元，不需要上层 Java 代码来配合，主程序只要简单地调用 SPL 脚本就可以了。

将 SPL 脚本存储成文件，置于主应用程序之外，代码修改可以独立进行且立即生效，不像 Java 代码在修改代码后还要重新编译，整个应用都要停机重启。这样可以做到业务逻辑的热切换，特别适合支持变化频繁的业务，而这也是 json 广泛应用的地方。

clipboardpng