集算器实现外部数据并行计算
文本并行
SPL可将文本文件按体积大致分为N段，只读取其中一段。比如cardInfo.txt存储着一千万条人口信息，将其分为十份，取第二份，代码可以写作：
成都地区优秀IDC服务器托管提供商(成都创新互联公司).为客户提供专业的服务器托管,四川各地服务器托管,服务器托管、多线服务器托管.托管咨询专线：028-86922220
| A | B | |
| 1 | =file("d:\\temp\\cardInfo千万.txt") | |
| 2 | =A1.import@t(;2:10) | /直接读入内存 |
| 3 | =A1.cursor@t(;2:10).fetch@x() | /游标方式读取 |
按体积大致分段，而不是按行数精确分段，目的是提高分段性能。比如在IDE中观察A2或A3的前几个字段，可以看到行数并非精确的100万（与具体数据有关）：
| index | cardNo | name | gender | province | mobile |
| 1 | 308200310180525 | Alison Clinton | female | Idaho | 1024627490 |
| 2 | 709198311300191 | Abby Wood | female | Kansas | 19668466 |
| 3 | 1005199807060610 | George Bush | male | California | 1019879226 |
| … | … | … | … | … | … |
| 1000005 | 405199907050256 | Mark Rowswell | male | Idaho | 1168620176 |
分段读取可应用于多线程计算，从而提高读取性能。比如用2个线程分别读取cardInfo.txt，各线程计算本段行数，最后合并为总行数，可用如下代码：
| 5 | fork to(2) | =A1.cursor@t(;A5:2).total(count(1)) | /2线程分段 |
| 6 | =A5.sum() | /合并结果 |
语句fork语句适合算法较复杂的情况，当算法比较简单时，可用cursor@m直接分段读取。比如前面的代码可以改写如下：
| 7 | =A1.cursor@tm(;2).total(count(1)) | /2线程分段 |
上述代码指定了线程数，如果省略线程数，则用配置文件中的“parallet limit”当做默认线程数。假设parallet limit=2，则上述代码可以改写成：
| 8 | =A1.cursor@tm().total(count(1)) | /默认线程数分段 |
为了验证分段读取前后的性能差异，下面设计一个算法，分别用单线程和2线程计算cardInfo.txt的总行数，可以看到性能显著提升：
| 11 | =now() | |
| 12 | =A1.cursor@t().total(count(1)) | |
| 13 | =interval@ms(A11,now()) | /未分段，20882ms |
| 14 | ||
| 15 | =now() | |
| 16 | =A1.cursor@tm(;2).total(count(1)) | |
| 17 | =interval@ms(A15,now()) | /2线程分段，12217ms |
JDBC 并行
通过JDBC取数时，有时会遇到数据库负载虽然不重，但取数性能仍然较差的情况，这种情况下可以用并行取数提高性能。
比如Oracle数据库有一张通话记录表callrecord，记录数100万条，索引字段是callTime，且数据基本按该字段平均分布。采用非并行取数时，可以发现性能不够理想，代码如下：
| A | B | |
| 1 | =now() | /记录时间，用于测试性能 |
| 2 | =connect("orcl") | |
| 3 | =A2.query@x("select * from callrecord") | |
| 4 | =interval@ms(A1,now()) | /非并行取数，17654ms |
改为2线程并行取数后，可以看到性能提升明显，代码如下：
| 6 | =now() | |
| 7 | =connect("orcl").query@x("select min(callTime),max(callTime) from callrecordA") | |
| 8 | =2.(range(A7.#1,elapse@s(A7.#2,1),~:2)) | /时间区间参数列表 |
| 9 | fork A8 | =connect("orcl") |
| 10 | =B9.query@x("select * from callrecordA where callTime>=? and callTime | |
| 11 | =A9.conj() | |
| 12 | =interval@ms(A6,now()) | /并行取数，10045ms |
既然要并行取数，就要把源数据分成多个区间，使每区间的数据量大致相等。在这个例子中，索引字段是时间类型callTime，所以先用A7求出callTime的数据范围，再用A8将该范围平均分成2个时间区间。之后在A9进行并行计算，每个线程以各自的时间区间为参数执行SQL，取数结果将大致相等。最后合并多线程的取数结果，作为最终结果。
函数range非常适合对数据分段。该函数可将某范围平均分为N个区间，获得第i个区间，且可根据范围的数据类型自动调整区间的数据类型。本例的范围类型是datetime，则函数range将范围按秒均分，返回类型也是datetime。如果范围类型是date，则函数range按天均分；如果范围类型是整数，则函数range按整数均分。
上面例子中，分段字段是索引，如果没有建立索引，则查询性能会出现下降。在这种情况下，并行取数仍然可以带来明显的性能提升，所以可以用相同的方法。
上面例子中，源数据基本按callTime平均分布，因此容易使各区间的数据量大致相等，如果源数据分布很不平均，可以考虑按行号分段。每种数据库都有生成行号的方法，比如oralce可用rownum。
除了单表单SQL并行取数，SPL也支持多表多SQL并行取数。比如某报表格式较复杂，需要SPL执行多个SQL，并按一定的格式拼出结果集。当采用非并行取数时，可以发现性能不够理想，代码如下：
| A | B | |
| 1 | =now() | =connect("orcl") |
| 2 | select count(1) from callrecordA where to_char(calltime,'yyyy')='2015' | =B1.query(A2) |
| 3 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201501' | =B1.query(A3) |
| 4 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201502' | =B1.query(A4) |
| 5 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201503' | =B1.query(A5) |
| 6 | select count(1) from callrecordA where to_char(calltime,'yyyy')='2016' | =B1.query(A6) |
| 7 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201601' | =B1.query(A7) |
| 8 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201602' | =B1.query(A8) |
| 9 | select count(1) from callrecordA where to_char(calltime,'yyyyMM')='201603' | =B1.query(A9) |
| 10 | =B1.close() | |
| 11 | =[B2:B9].new(~.#1:data) | |
| 12 | =interval@ms(A1,now()) | /非并行取数，2195毫秒 |
改为4线程并行取数后，可以看到性能提升明显，代码如下：
| 14 | =now() | |
| 15 | fork [A2:A9] | =connect("orcl") |
| 16 | =B15.query@x(A15) | |
| 17 | =A15.new(~.#1:data) | |
| 18 | =interval@ms(A14,now()) | /4并行取数,1320毫秒 |
需要注意的是，并行取数时任务数可大于并行数。比如上面代码共8个任务，但同时执行的任务只有4个，其他待执行的任务排在队列中，如果某个小任务先执行完成，SPL会从队列中取下一个任务并执行它。可以看到，当任务数较多时，即使各任务负载相差较大，也能充分发挥硬件性能。
混合并行
当数据量太大时，除了分库计算，还可以进行混合数据源并行计算，后者性能更高。具体做法是：把数据分为两部分（或多部分），一部分存储在数据库中，通常是当前实时数据，一部分存储在组文件，通常是历史数据，再对两种数据源进行并行计算，从而获得更高性能。
比如历史订单存储在orders.ctx中，当前订单存储在数据库orcl中，请按年、月分组，对各组数据的amount字段求和。SPL代码如下：
| A | B | |
| 1 | fork | select extract(year from orderTime)y,extract(month from orderTime)m,sum(amount) amount from orders group by extract(year from orderTime),extract(month from orderTime) |
| 2 | =connect("orcl") | |
| 3 | =B2.query@x(B1) | |
| 4 | fork | =file("orders.ctx").create() |
| 5 | =B4.groups(year(ORDERTIME):Y,month(ORDERTIME):M;sum(AMOUNT):AMOUNT) | |
| 6 | =[A1,A4].conj() | |
| 7 | =A6.groups(Y,M;sum(AMOUNT):AMOUNT) |
注意fork……fork……的用法。如果fork语句块下接非fork语句块，则两者顺序执行，如果fork语句块下接fork语句块，则两者并行执行。
文章标题：集算器实现外部数据并行计算
标题URL：http://myzitong.com/article/gjisje.html