结构化文本文件之间的集合运算

JAVA不直接支持集合运算，因此要用嵌套循环才能实现文本文件之间的交集、并集、差集等集合运算，如果文件数量较多，或者文件较大而无法放入内存直接计算，再或者要按照多个字段进行集合运算，则相应的代码会更加复杂。集算器直接支持集合运算，可以协助JAVA轻松实现此类算法，下面我们通过例子来看一下具体作法。

有两个小文件：f1.txt和f2.txt，第一行是列名，现在需要对文件中的Name字段进行交集运算。部分数据如下：

 

文件f1.txt:

 

文件f2.txt:

 

 

集算器代码：

 

 

A1、B1：用import函数将文件=[A1.(Name),B1.(Name)].isect()读入内存，默认的分隔符是tab。这里的函数选项@t表示将第一行读为列名，这样一来后续的计算就可以直接用Name和Dept来引用相应的列，如果第一行不是列名，则应当用_1和_2这种默认列名来引用。

 

计算后A1和B1的值分别如下：

 

函数import可以读取指定的列，比如本案例只有Name会参与计算，因此可以只读取Name列，对应的代码是：file("E:\\f1.txt").import@t(Name)。 

 

A2=函数isect可以进行集合间的交集运算，A1.(Name)表示取出A1的Name列，形成一个集合，B1.(Name)表示取出B1的Name列。本案例的最终结果如下：

 

A3:result A2。这表示将计算结果输出到JDBC接口。A3可以和A2合为一步：result [A1.(Name),B1.(Name)].isect()

 

 

上述是求交集的过程，求并集只需换个函数：[A1.(Name),B1.(Name)].union()，计算结果如下：

 

求差集的代码：[A1.(Name),B1.(Name)].diff()，计算结果如下：

 

还有一类特殊的集合算法：和集，即求并集时保留重复的元素，和集的代码：[A1.(Name),B1.(Name)].conj()，计算结果如下：

 

可以直接用运算符来代替函数，写法更加简洁，比如交集，并集、差集、合集可以改写为：

A1.(Name) ^ B1.(Name)

A1.(Name) & B1.(Name)

A1.(Name) \ B1.(Name)

A1.(Name) | B1.(Name)

也可以对多个文件进行集合运算，比如f1.txt、f2.txt、f3.txt读入内存后对应的变量分别是A1、B1、C1，对它们求交集，代码如下： 

A1.(Name) ^ B1.(Name) ^C1.(Name) 或 [A1.(Name),B1.(Name),C1.(Name)].isect()

 

有时候文件比较大，会影响集合运算的性能，可以用sort函数事先排序，再用merge函数来进行集合运算，这样一来性能会显著提高。其中，求交集时应当使用函数选项@i，并集使用@u，差集使用@d，对应的代码分别如下：

 

=[A1.(Name).sort(),B1.(Name).sort()].merge@i()

=[A1.(Name).sort(),B1.(Name).sort()].merge@u()

=[A1.(Name).sort(),B1.(Name).sort()].merge@d()

 

函数merge还可以进行多字段的集合运算，假设不同的Dept会存在相同的Name，现在需要将Dept和Name当作一个整体来进行交集运算，对应的代码如下：

[A1.sort(Dept,Name),B1.sort(Dept,Name)].merge@i(Dept,Name)

 

计算结果如下：

 

对于内存放不下的大文件，可以用cursor函数来读取文件，并用merge函数来实现集合运算。其中，求交集的代码如下：

A1=file("e:\\f1.txt").cursor()   
    B1=file("e:\\f2.txt").cursor()
    A2=[ A1.sortx(Name),B1.sortx(Name)].merge@xi(Name)             

注意，这里函数cursor并不会将数据全部读入内存，而是以游标（或流）的方式打开文件。集算器引擎会自动分配合适的缓冲区，每次读取一部分数据参与计算，再循环往复，完成最终的计算。

与内存计算不同，操作游标需要使用游标函数，比如排序时应当使用函数sortx。这里的merge函数使用了两个函数选项，@i表示求交集，@x表示参与计算的对象不是内存数据，而是游标。另外，union等函数只能进行内存数据的集合运算，不能用于大文件。

 

         上述脚本已经完成了所有的数据处理工作，接下来通过JDBC将集算器脚本集成在JAVA里。JAVA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，其中test是脚本文件名

         st =(com.esproc.jdbc.InternalCStatement)con.prepareCall("call test()");

         st.execute();//执行esProc存储过程

 

         ResultSet set = st.getResultSet();//获得计算结果