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.txtf2.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:

 

 

A1B1: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NameDept来引用相应的列,如果第一行不是列名,则应当用_1_2这种默认列名来引用。

扫描二维码关注公众号,回复: 1141866 查看本文章

 

计算后A1B1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A1Name列,形成一个集合,B1.(Name)表示取出B1Name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.txtf2.txtf3.txt读入内存后对应的变量分别是A1B1C1,对它们求交集,代码如下: 

A1.(Name) ^ B1.(Name) ^C1.(Name)  [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DeptName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JAVAJAVA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

猜你喜欢

转载自datamachine.iteye.com/blog/2194165
今日推荐