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：

	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<?",A9(1),A9(2))
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。