快速实现对结构化文本的条件过滤

     直接用Java实现文本文件中数据按条件过滤会有如下的麻烦:

    1、文件不是数据库，不能用SQL访问。当过滤条件变化时需要改写代码。如果要实现象SQL那样灵活的条件过滤，则需要自己实现动态表达式解析和求值，编程工作量非常大。

    2、文件太大时不能一次性装入内存处理，而采用逐步读入方式在考虑到性能时又会涉及到文件缓冲区管理、拆行计算等复杂编程。

    使用集算器来辅助Java编程，这些问题都不需要自己写代码解决。下面我们通过例子来看一下具体作法。

    文本文件employee.txt中保存了员工数据。我们要读取员工信息，从中找出1981年1月1日（含）之后出生的女员工。

    文本文件empolyee.txt的格式如下：
    EID NAME SURNAME GENDER STATE BIRTHDAY HIREDATE DEPT SALARY
    1 Rebecca Moore F California 1974-11-20 2005-03-11 R&D 7000
    2 Ashley Wilson F New York 1980-07-19 2008-03-16 Finance 11000
    3 Rachel Johnson F New Mexico 1970-12-17 2010-12-01 Sales 9000
    4 Emily Smith F Texas 1985-03-07 2006-08-15 HR 7000
    5 Ashley Smith F Texas 1975-05-13 2004-07-30 R&D 16000
    6 Matthew Johnson M California 1984-07-07 2005-07-07 Sales 11000
    7 Alexis Smith F Illinois 1972-08-16 2002-08-16 Sales 9000
    8 Megan Wilson F California 1979-04-19 1984-04-19 Marketing 11000
    9 Victoria Davis F Texas 1983-12-07 2009-12-07 HR 3000
    10 Ryan Johnson M Pennsylvania 1976-03-12 2006-03-12 R&D 13000
    11 Jacob Moore M Texas 1974-12-16 2004-12-16 Sales 12000
    12 Jessica Davis F New York 1980-09-11 2008-09-11 Sales 7000
    13 Daniel Davis M Florida 1982-05-14 2010-05-14 Finance 10000
    …

    实现的思路是：用Java程序调用集算器脚本，读取和计算数据，之后将结果以ResultSet的方式返回给Java程序。由于集算器支持动态表达式解析和求值，使得Java程序可以像使用sql那样，灵活的过滤文本文件中的数据。

    例如，我们需要查询1981年1月1日（含）之后出生的女员工，esProc程序可以从外部获得一个输入参数“where”作为条件，如下图：

 

where是个字串，取值是：BIRTHDAY>=date(1981,1,1) && GENDER=="F"。

esProc代码如下：

 

        A1：定义一个file对象，读入数据，第一行是标题，字段分隔符默认是tab。esProc的集成开发环境可以直观的显示出导入的数据，如上图右边部分。

        A2：按照条件过滤。这里使用宏来实现动态解析表达式，其中的where就是传入参数。集算器先计算${…}里的表达式，将计算结果作为宏字符串值替换${…}之后解释执行。这个例子中最终执行的是：=A1.select(BIRTHDAY>=date(1981,1,1) && GENDER=="F")。

        A3：向外部程序返回符合条件的结果集。

         过滤条件发生变化时不用改变代码，只需改变where参数即可。例如，条件变为：查询1981年1月1日（含）之后出生的女员工，或者NAME+SURNAME等于”RebeccaMoore”的员工。Where的参数值可以写为：BIRTHDAY>=date(1981,1,1) && GENDER=="F" || NAME+SURNAME=="RebeccaMoore"。执行之后，A2中的结果集如下图：

 

在Java程序中使用esProc JDBC调用这段程序获得结果的代码如下：（将上述esProc程序保存为test.dfx）：

          //建立esProc jdbc连接

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

con= DriverManager.getConnection("jdbc:esproc:local://");

//调用esProc 程序（存储过程），其中test是dfx的文件名

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

//设置参数

st.setObject(1," BIRTHDAY>=date(1981,1,1) && GENDER==\"F\" ||NAME+SURNAME==\"RebeccaMoore\"");//参数就是动态的过滤条件

//执行esProc存储过程

st.execute();

//获取结果集：符合条件的员工集合

ResultSet set = st.getResultSet();

对于代码较简单的脚本，还可以把代码直接写在调用集算器JDBC的Java程序中，而不必专门编写脚本文件（test.dfx）：

st=(com. esproc.jdbc.InternalCStatement)con.createStatement();

ResultSet set= st.executeQuery("=file(\"D:/employee.txt\").import@t().select(BIRTHDAY>=date(1981,1,1)&&GENDER==\"F\" || NAME+SURNAME==\"RebeccaMoore\")");

这段Java代码直接调用了集算器的一句脚本：从文本文件中取得数据，并按照指定的条件过滤。结果集返回给ResultSet对象set。

 

上面方法中假定文件较小，可以全部读入内存。但实际上可能发生文件较大无法读入内容的情况，而且即使可以读入也没必要占太多内存，这时可以使用文件游标的方式来处理。集算器程序调整如下：

 

        A1：定义一个file对象游标，第一行是标题，字段分隔符默认是tab。

        A2：按照条件过滤游标。这里使用宏来实现动态解析表达式，其中的where就是传入参数。集算器将先计算${…}里的表达式，将计算结果作为宏字符串值替换${…}之后解释执行。这个例子中最终执行的是：=A1.select(BIRTHDAY>=date(1981,1,1) && GENDER=="F")。

        A3：返回游标

虽然集算器给Java返回的是游标，但是Java调用的程序不用修改。在Java使用ResultSet遍历数据的时候集算器会自动取出游标对应的内容。

如果需要将过滤后的数据写入另一个文件而不是返回给主程序，只要将A3格的表达式改成：=file("D:/employee_group.txt").export@t(A2)即可，集算器将把游标数据写出成文件。