SPL 分组优化技巧

1.      常规分组

当分组聚合的结果集不大时,可以使用groups。例如有学生成绩表存储在集文件中,表结构如下:


现在计算每个学生的总分数:

A1:成绩表的数据装入内存。

A2:按照studentID字段分组,计算总分。


如果成绩表数据太大,无法装入内存,则可以用游标方式:

A1:得到成绩表的游标。

A2:按照studentID字段分组,计算总分。


当成绩表记录很多,分组计算的结果集很大时,就要使用groupx:

A1:得到成绩表的游标。

A2:按照studentID字段分组,计算总分。

groupx的最后一个参数是缓冲区行数,也就是内存里能够一次处理的记录条数,这里指定为10000,实际使用时要根据自己的情况进行调整。

2.      有序分组

2.1.      前半有序

当数据对分组字段有序时,可以使用groups@o。如上例中,当成绩表对studentID字段有序时,就可以加上选项o:


如果成绩表太大,无法装入内存,可以使用游标:


同样,如果有序分组的结果集很大,就不能用groups,这时要使用group:

group的返回是游标,这一点跟groups不一样。

2.2.      后半有序

 “后半”有序是指:要分组的表 T 已经对字段a,b有序,现在我们要将表T按字段b进行分组。例如有保存销售记录的集文件sale.btx,表结构如下:

销售表对字段date,employeeID有序,现在要计算每个员工的销售总额,对employeeID字段做分组,这时常规分组会计算hash,但这种后半有序的情况可以使用groups@h,看一下实现:

如果销售表太大,无法装入内存,可以使用游标:


3.      序号分组

当分组表达式的结果是序号的时候,可以使用groups@n。仍然使用上例的销售表,现在要计算统计每个月的销售额,实现是这样的:

A1:得到销售表的游标。

A2:把date字段转换为月份,计算每个月的销售总额;如果存在date字段是null的情况,则要加上选项@0。


使用@n之后,会依据序号去分组,而不用再计算HASH,所以要比不带@n时快。

使用3亿条数据测试,本案例实际测试结果:

4.      过滤拆分

过滤拆分是指根据条件分组,满足条件和不满足条件的分成两个集。使用select可以做到这种拆分,但是要遍历两次,即一次select(条件true),和一次select(条件false)。

而使用group和align只需要遍历一次。以上面成绩表为例,现在要把成绩及格的和不及格的分成两组,看一下group的实现:


需要注意的是,使用group过滤拆分的结果不一定是两个集,有可能结果只有一个集,如本例中,有可能出现成绩都大于60的情况。这时候需要判断一下结果集的个数,或者使用align,因为align的结果肯定是两个集,没有符合条件的记录,也会产生一个空集。来看一下align的实现:


如果想在过滤拆分中把不满足的写进文件,可以使用select(x;file),看一下实现:

执行完成后,A3里是成绩及格的,不及格的会保存到集文件Fail.btx。


如果要拆分为多个集,可以使用groupn。例如要把成绩分为优秀、良好、及格和不及格这些集合,可以这样实现:

5.      组内TopN

top也可以用于group中,例如计算每个部门里薪水的最大值:

A1:得到员工表的游标。

A2:按照dept字段分组,组内再求最高薪水值,命名为topSalary。


A2执行结果的MaxSalary字段是数值,如果想查询薪水最高的员工的信息,可以写成这样:


top不仅可以返回最大值,还可以得到前n个最靠前的值,这时把1写成n即可。例如计算每个部门里薪水排前三名的员工的信息:


6.      并行

使用groups进行分组计算时,还可以采取并行方式进一步提高性能,这时要加上选项@m。

如上面例中,计算每个员工的销售总额,看一下并行方式的实现:


如果数据太大,无法装入内存,可以使用多路游标:

你可能感兴趣的:(SPL 分组优化技巧)