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

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）：

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：

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：

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：

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：

  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：

改为2线程并行取数后，可以看到性能提升明显，代码如下：

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：

改为4线程并行取数后，可以看到性能提升明显，代码如下：

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：

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。