共计 3517 个字符，预计需要花费 9 分钟才能阅读完成。
【摘要】
本文剖析大文件计算的实现原理，如过滤、聚合计算、增加计算列、排序、分组聚合、topN 等，以及利用并行计算来进步计算速度，并用 esProc SPL 举例说明如何用简洁的脚本实现大文件计算。请点击大文件上的结构化数据计算示例理解详情
在数据分析过程中，常常会解决文本文件中的结构化数据（txt，csv 等），有时这些文件还会很大，计算机内存不足以一次性读入。这时，只能将数据分批读入内存，对每批数据计算出长期两头后果，分批解决完当前，再依照计算要求对分批处理结果进行失当的汇总解决，与一次性装入内存的小文件数据计算有很大的不同。
实现大文件计算须要理解一个重要的概念—游标。咱们以前比拟熟知的是数据库游标，在数据库中应用游标，能够每次返回局部数据，而不将所有数据同时读入内存。游标相似于一个指针，在读取时会通过挪动指针的地位来从后果集中每次提取局部记录。与数据库游标相似，在读取大文件数据时，也须要实现文件游标，它具备以下特点：
1、只用于获取数据，并不用来批改后果集。
2、在读取数据时从前向后只遍历一次。
有了游标对象，就能够把大文件计算步骤顺次附加在游标对象上，在进行最初计算时，再逐条取出记录，按附加的步骤进行计算。
本文将以结构化文本文件为例，给出大文件过滤、聚合计算、增加计算列、排序、分组聚合、topN 以及并行计算等指标工作的实现办法，并提供用 esProc SPL 编写的代码示例。esProc 是业余的数据计算引擎，其采纳的 SPL 中有欠缺的游标对象及运算，解决这些运算十分不便。
1. 过滤
过滤就是设置一个条件表达式，而后用每条记录的数据来计算表达式的值，如果计算结果值为真则本条记录无效，须要增加到最初取数的后果集里，否则就抛弃这条记录不必取出。对大文件过滤是一种提早计算，就是先把过滤表达式记在游标对象上，等到取某条记录时，再计算过滤表达式来决定是否将本记录退出后果集。
示例：在大数据学生问题文本文件 students_scores.txt 中，查找 10 班学生的问题。列数据间用 TAB 分隔，局部数据如下图：
esProc SPL 脚本如下：
2. 聚合计算
聚合计算是对大文件中的所有记录，执行某种统计计算，比方统计总和、平均值、最大值、最小值、计数等。循环遍历游标中所有记录，用每条记录数据计算出以后的聚合统计值，只把统计值存在内存中，而不必保留数据记录，就不会占据太多内存。遍历结束后就失去最终的统计值。
示例：在大数据学生问题文本文件 students_scores.csv 中，列数据间用逗号分隔，局部数据如下图：
计算语文问题总分，esProc SPL 脚本如下：
计算 10 班语文问题总分，esProc SPL 脚本如下：
3. 增加计算列
增加计算列是指用文件中的一列或几列通过某种指定计算，将计算结果记为一个新列的列值。这也是一种提早计算，当读取某条记录时，再计算表达式的值，将它赋给本记录的新列。
示例：在大数据学生问题文本文件 students\_scores\_.txt 中，列数据间用 | 分隔，局部数据如下图：
计算每位学生的总成绩，esProc SPL 脚本如下：
除了用 derive 减少新列，也能够用 new 函数创立新的数据结构，同时也能够减少新的列，例如：
当然，也能够先对数据进行过滤，再对须要的记录产生新列或生成新的构造。例如只取出 10 班的学生问题并新增总成绩列，esProc SPL 脚本如下：
在获取到最终计算结果之前，各种根本计算，如过滤、新增列、产生新构造、扭转字段值、排序等，都能够按需要先后附加到游标上。前面大节的示例中就不再一一列举这些了，只列出大节所讲的主题计算。
4. 排序
大文件排序因内存不足，不能读入所有数据来排序，实现的原理是这样的：先读入一批数据记录，读多少行适合要依据内存而定，将这批数据排序后存到一个临时文件，再读入下一批数据排序后存到另一个临时文件……直到所有数据处理完，最初对这些临时文件进行有序归并——读出每个临时文件的第一行，通过对排序字段值的比拟，找出应该排在最后面的那一行，写入到后果文件。而后从方才排第一的那个临时文件中再读出下一行，持续比拟找出最后面的一行写入后果文件。按此办法一直进行，直到所有数据行都写入后果文件。
示例：在大数据学生问题文本文件 students_scores.txt 中，按语文问题升序排列。
esProc SPL 脚本如下：
也能够同时按多个字段排序或按表达式计算值排序，如将 A2 单元格改为：
=A1.sortx(Chinese,Math) // 按语文、数学问题先后排序
=A1.sortx(Math+English+Chinese) // 按总成绩排序
5. 分组聚合
分组聚合是先对数据记录进行分组，对同一组的记录进行某种统计计算，最初失去每一组的统计值。大文件的分组聚合分两种状况：一是分组的后果不大 (组数少)，所有分组后果都能在内存中放下，称之为小分组聚合；二是分组的后果很大 (组数十分多)，内存中存不下所有的组，称之为大分组聚合。
小分组聚合的实现原理是：把分组键值和组统计值保留在内存中，在读取每条记录时，按分组表达式计算出分组键值，在保留的组里查找此键值，找到了则将本记录的数据与组统计值汇总，没找到则新退出一个组。最初直到所有行都解决完，就失去了所有的分组和本组的统计值。
示例：在大数据用户登录记录文件 user\_info\_reg.csv 中，统计各省用户的登录总次数及总时长。列数据间用逗号分隔，局部数据如下图：
esProc SPL 脚本如下：
大分组聚合因内存不足，不能把所有分组聚合的后果放在内存里，所以须要分批解决，并应用临时文件保留分批后果，最初再归并汇总，实现原理是这样的：逐行读入数据，依照小分组聚合的流程进行分组聚合，当保留的分组后果集大到肯定程序时 (后果集大小视内存决定)，将此后果集按分组键值排序后存为临时文件，从内存中革除。持续读入数据作同样解决，当所有数据处理完当前，就失去了多个按分组键值排好序的临时文件。而后对这些临时文件的数据作有序归并 (与大文件排序的归并流程雷同)，失去一个按分组键值排序、键值很可能有反复的大文件，最初把那些反复键值的组合并成一组，失去所有分组后果大文件，再返回用此文件创建的游标供调用者提取分组后果数据。
示例：在大数据用户登录记录文件 user\_info\_reg.csv 中，统计每个用户的登录总次数及总时长。
esProc SPL 脚本如下：
6. TopN
TopN 是对数据排序当前，查出前 N 条记录。有时须要对所有数据求前 N 条记录，有时还须要先对数据分组，再求每一组中的前 N 条记录。
但计算 TopN 时其实不须要对所有数据排序，那样会在排序上破费很多工夫，对大文件计算尤其如此。TopN 的实现原理是这样的：先读出 N 条记录，造成一个 N 条记录的小数据集并排好序，再读新的记录时，与小数据集的最初一条比拟，若排在它之后，则间接抛弃这条记录，若排在它之前，则将这条新记录插入到小数据集的适合地位，抛弃小数据集的最初一条记录。当所有数据都读出并解决完时，就失去了须要的前 N 条记录集。TopN 的实现形式和聚合运算很像。
示例：在大数据学生问题文本文件 students_scores.txt 中，查找数学问题排在前 10 的学生记录。
esProc SPL 脚本如下：
top 函数除了返回前 N 条记录，也能够返回前 N 个值。例如查找排在前 10 的数学问题，esProc SPL 脚本如下：
TopN 还能够应用到分组中，即每个组中取 TopN，其计算原理也相似，只是须要为每个分组放弃一个 N 条记录的小数据集。
示例：在大数据学生问题文本文件 students_scores.txt 中，查找各班数学问题排在前 10 的学生记录。
esProc SPL 脚本如下：
7. 并行提速
并行计算就是用多个线程同时分担一个计算工作，能充分利用多核 CPU 进步计算性能，这对于大文件特地有用。大文件计算经常须要将数据分批计算，最初再将分批计算结果进行合并汇总。并行计算也是如此，先将大文件分段，每个线程各自用大文件计算的形式解决一段数据，最初将各线程解决的后果进行汇总。示例：在大数据用户登录记录文件 user\_info\_reg.csv 中，统计各省用户的登录总次数，用 4 路并行计算进步速度。esProc SPL 脚本如下：
示例：在大数据学生问题文本文件 students_scores.csv 中，查问各班语文问题在 90 分以上且总成绩排在前 5 名的学生，并用 8 路并行进步速度，esProc SPL 脚本如下：
通过以上示例能够看出，在 SPL 中应用并行提速非常容易，与单线程代码相比，仅仅多一个游标选项与参数，让用户应用并行十分不便。
《SPL CookBook》中有更多麻利计算示例。