发布时间：2023-06-17 18:00
现代应用开发中，通常只用SQL实现简单的数据存取动作，而主要的计算过程和业务逻辑直接在应用程序中实现，主要原因在于：
此外，还有涉及多数据库和非数据库的场景，也无法使用SQL完成计算任务，只能在外部完成。
SPL提供了多种方便易用的语法，内置大量功能强大的函数，可以简化复杂的有序运算、集合运算、分布计算、关联计算。很多用SQL和存储过程难以表达的计算，用SPL都可以轻松实现。
函数选项、层次参数等方便的语法，功能相似的函数可以共用一个函数名，只用函数选项区分差别，比SQL更加灵活方便。比如select函数的基本功能是过滤，如果只过滤出符合条件的第1条记录，可使用选项@1：
T.select@1(Amount>1000)
并行过滤，适合数据量较大的情况，使用选项@m：
T.select@m(Amount>1000)
二分法排序，即对有序数据用二分法进行快速过滤，使用@b：
T.select@b(Amount>1000)
有序分组，即对分组字段有序的数据，将相邻且字段值相同的记录分为一组，使用@b：
T.groups@b(Client;sum(Amount))
函数选项还可以组合搭配，比如：
Orders.select@1b(Amount>1000)
结构化运算函数的参数有些很复杂，比如SQL就需要用各种关键字把一条语句的参数分隔成多个组，但这会动用很多关键字，也使语句结构不统一。SPL使用层次参数简化了复杂参数的表达，即通过分号、逗号、冒号自高而低将参数分为三层：
join(Orders:o,SellerId ; Employees:e,EId)
内置大量日期函数和字符串函数，在数量和功能上远远超过其他技术甚至SQL，同样的运算代码量更短。比如：
时间类函数，日期增减：elapse(“2020-02-27”,5) //返回2020-03-03
星期几：day@w(“2020-02-27”) //返回5，即星期4
N个工作日之后的日期：workday(date(“2022-01-01”),25) //返回2022-02-04
字符串类函数，判断是否全为数字：isdigit(“12345”) //返回true
取子串前面的字符串：substr@l(“abCDcdef”,“cd”) //返回abCD
按竖线拆成字符串数组：“aa|bb|cc”.split(“|”) //返回[“aa”,“bb”,“cc”]
SPL还支持年份增减、求年中第几天、求季度、按正则表达式拆分字符串、拆出SQL的where或select部分、拆出单词、按标记拆HTML等功能。
简化复杂的有序运算。涉及跨行的有序运算，通常都有一定的难度，比如比上期和同期比。SPL使用"字段[相对位置]"引用跨行的数据，可显著简化代码，还可以自动处理数组越界等特殊情况，经常比SQL更方便。比如，追加一个计算列rate，计算每条订单的金额增长率：
=T.derive(AMOUNT/AMOUNT[-1]-1: rate)
综合运用位置表达式和有序函数，很多SQL难以实现的有序运算，都可以用SPL轻松解决。比如，根据考勤表，找出连续 4 周每天均出勤达 7 小时的学生：
| A | |
| 1 | =connect("mysql") |
| 2 | =A1.query@x("SELECT SID,ATTDATE,DURATION,null AS W FROM STUTEST WHERE DURATION>=7 ORDER BY SID,ATTDATE").run(W=pdate@w(ATTDATE)) |
| 3 | =A2.group@o(SID;~.groups@o(W;count(~):CNT).select(CNT==7).group@i(W-W[-1]!=7).max(~.len()):weeks) |
| 4 | =A3.select(weeks>=4).(SID) |
简化复杂的集合运算，SPL序表的集合化更加彻底，配合灵活的语法和强大的集合函数，可大幅简化复杂的集合计算。比如，在各部门找出比本部门平均年龄小的员工：
| A | |
| 1 | …//省略序表Employees的生成过程 |
| 2 | =Employees.group(DEPT; (a=~.avg(age(BIRTHDAY)),~.select(age(BIRTHDAY) |
| 3 | =A2.conj(YOUNG) |
计算某支股票最长的连续上涨天数：
| A | |
| 1 | …//省略序表AAPL的生成过程 |
| 2 | =a=0,AAPL.max(a=if(price>price[-1],a+1,0)) |
SPL可以方便地实现分步计算，序表的集合化更加彻底，可以用变量方便地表达集合，适合多步骤计算，很多SQL难以表达的集合运算，用SPL都可以轻松实现。比如，找出销售额累计占到一半的前n个大客户，并按销售额从大到小排序：
| A | B | |
| 1 | //省略取数据的过程 | |
| 2 | =A1.sort(amount:-1) | /销售额逆序排序，可在SQL中完成 |
| 3 | =A2.cumulate(amount) | /计算累计序列 |
| 4 | =A3.m(-1)/2 | /最后的累计即总额 |
| 5 | =A3.pselect(~>=A4) | /超过一半的位置 |
| 6 | =A2(to(A5)) | /按位置取值 |
简化复杂的关联计算。
序表的专业性体现在多方面，其中之一是支持对象引用的形式表达关联，开发者可以通过点号直观地访问关联表，从而提高开发效率。很多SQL难以表达的关联计算，用SPL都可以轻松实现。比如，根据员工表计算女经理的男员工：
=employees.select(gender:“male”,dept.manager.gender:“female”)
SPL是JVM下的开源结构化数据计算引擎，内置专业的结构化数据对象序表，可以和数据库表/记录方便地互转，支持动态数据结构，提供了灵活易用的访问方法、维护方法、计算函数。序表专业性强，为数据计算和流程控制提供了有力的底层支撑，可以方便地实现SQL后计算中的各类业务逻辑。
直接的数据库交换方法，可以在数据库表（SQL结果集）和SPL序表之间进行互转。
比如，使用query函数执行SQL，生成单条记录序表：
| A | B | |
| 1 | =connect("orcl") | //连接数据库 |
| 2 | .query("select * from sales where orderid=?",201)=r=A1 | //查询单条记录 |
| 3 | =db.close() | //关闭数据库连接 |
如果SQL返回多条记录，则自动生成多条记录序表：
=T=A1.query(“select * from salesR where SellerID=?”,10)
反过来也简单，用update函数就可以将序表记录批量地持久化到数据库。比如，原序表为T，经过多条件记录的增删改之后的序表为NT，将两者的变更结果统一写入数据库：
=A1.update(NT:T,sales;ORDERID)
灵活的序表访问方法，可以按字段名或记录号自由地访问序表。
取序表的第3条记录：T(3)
取后3条记录:T.m([-1,-2,-3])
取记录的字段值：T(3).Amount*0.05
取一列，返回集合：T.(Amount)
取几列，返回集合的集合：T.([CLIENT,AMOUNT])
先按字段名取再按记录序号取：T.(AMOUNT)(3)
先按记录序号取再按字段名取：T(3).AMOUNT
易用的序表维护方法，可以对单条或多条记录记录进行统一的增删改操作。
追加记录：T.insert(200,“APPL”,10,2400.4,date(“2010-10-10”))
修改记录：T(3).Amount = T(3). Amount*1.05
删除记录：T.delete(T.select(ORDERID==209 || ORDERID==208))
丰富的序表计算函数，可进行完整的SQL式计算。
过滤：T.select(Amount>1000 && Amount<=3000 && like(Client,“bro”))
排序：T.sort(-Client,Amount)
去重：T.id(Client)
汇总：T.max(Amount)
分组汇总后过滤： T.groups(year(OrderDate),Client; avg(Amount):amt).select(amt>2000)
关联：join(Orders:o,SellerId ; Employees:e,EId).groups(e.Dept; sum(o.Amount))
交集：T1.id(Client) ^ T2.id(Client)
TopN：T.top(-3;Amount)
分组topN：T.groups(Client;top(3,Amount))
支持动态数据结构，可根据上一步的计算结果推断出新数据结构，并自动生成新序表，新序表可直接进行计算。比如先分组汇总，再过滤，最后排序：
T.groups(SellerId, Client; sum(Amount):amt, count(1):cnt).select(amt>10000 && amt<=30000 && like(Client,“*bro*”)).sort(amt)
这样，就要在应用程序中实现SQL后计算任务。
Java是重要的开发语言，但JDK提供的方法过于基础，虽然能实现SQL后计算，但开发效率很低。
ORM是Java中用来实现SQL后计算的常见方案。但几种较流行的ORM都缺乏专业的结构化数据对象，不支持动态数据结构。虽然可以利用Java实现流程控制，但难以进行灵活的计算。这些ORM技术的计算能力还远不如SQL，提供的计算函数非常有限，用Java硬写的现象仍然非常普遍。
Stream的链式编程比ORM的HQL更加面向对象，且有Lambda语法的加成，也常被用于SQL后计算，有些ORM还能直接生成Stream对象。但Stream同样没有专业的结构化数据对象，不支持动态数据结构。此外，Stream的计算能力也较差，甚至不如ORM，即使排序、分组汇总、关联这样的基础计算，也要辅以大量编码。
Kotlin基于JVM，且在链式编程和Lambda语法上对Stream进行了一系列改进，也可以用于SQL后计算。但因为编译型语言的底层，Kotlin只能对Stream小幅微调，重大缺点一个没少。
Python Pandas有较强大的结构化数据处1理能力，有时也可以用于SQL后计算，但因为缺乏易用的接口，很难被Java集成，很少出现在正式项目中。
esProc SPL是更好的SQL后计算技术。
SPL提供了灵活易用的分支判断语句、循环语句，配合专业的结构化数据对象，可以方便地实现各类业务逻辑。
分支判断语句：
| A | B | |
| 2 | … | |
| 3 | if T.AMOUNT>10000 | =T.BONUS=T.AMOUNT*0.05 |
| 4 | else if T.AMOUNT>=5000 && T.AMOUNT<10000 | =T.BONUS=T.AMOUNT*0.03 |
| 5 | else if T.AMOUNT>=2000 && T.AMOUNT<5000 | =T.BONUS=T.AMOUNT*0.02 |
循环语句：
| A | B | |
| 1 | =db=connect("db") | |
| 2 | =T=db.query@x("select * from sales where SellerID=? order by OrderDate",9) | |
| 3 | for T | =A3.BONUS=A3.BONUS+A3.AMOUNT*0.01 |
| 4 | =A3.CLIENT=CONCAT(LEFT(A3.CLIENT,4), " co.,ltd.") | |
| 5 | … | |
与Java的循环类似，SPL还可用break关键字跳出（中断）当前循环体，或用next关键字跳过（忽略）本轮循环，不展开说了。
流程控制语句配合序表，可以用统一的语法风格实现业务逻辑，包括数据库读写、事务处理、流程处理、数据计算。比如，根据一定的规则计算奖金：
| A | B | C | |
| 1 | =db=connect@e("dbName") | /连接数据库，开启事务 | |
| 2 | =db.query@1("select sum(Amount) from sales where sellerID=? and year(OrderDate)=? and month(OrderDate)=?", p_SellerID,year(now()),month(now())) | /查询当月销售额 | |
| 3 | =if(A2>=10000 :200, A2<10000 && A2>=2000 :100, 0) | /本月累计奖金 | |
| 4 | =p_Amount*0.05 | /本单固定奖金 | |
| 5 | =BONUS=A3+A4 | /总奖金 | |
| 6 | =create(ORDERID,CLIENT,SELLERID,AMOUNT,BONUS,ORDERDATE) | /创建订单的数据结构 | |
| 7 | =A6.record([p_OrderID,p_Client,p_SellerID,p_Amount,BONUS, date(now())]) | /生成一条订单记录 | |
| 8 | >db.update@ik(A7,sales;ORDERID) | /尝试写入库表 | |
| 9 | =db.error() | /入库结果 | |
| 10 | if A9==0 | >A1.commit() | /成功，则提交事务 |
| 11 | Else | >A1.rollback() | /失败，则回滚事务 |
| 12 | >db.close() | /关闭数据库连接 | |
| 13 | return A9 | /返回入库结果 |
SPL支持 JDBC 接口，代码可外置于 Java，耦合性更低。SPL具有解释执行的特性，支持库外计算和代码移植，支持跨库跨源计算，在SQL后计算中可提供良好的架构性。
SPL提供了易用的JDBC接口，可被Java代码无缝集成。比如，将前面的SPL代码存为脚本文件，再在Java中以存储过程的形式调用文件名：
Class.forName("com.esproc.jdbc.InternalDriver");
Connection connection =DriverManager.getConnection("jdbc:esproc:local://");
Statement statement = connection.createStatement();
ResultSet result = statement.executeQuery("call writeBonus()");
SPL代码外置于Java，通过文件名被调用，既不依赖数据库，也不依赖Java，业务逻辑和前端代码分离，耦合性低。
解释执行和热切换。业务逻辑数量多，复杂度高，变化是常态。良好的系统构架，应该有能力应对变化的业务逻辑。ORM的本质是Java代码，需要先编译再执行，一般都要停机才能部署，应对变化的业务逻辑时非常繁琐。SPL是基于Java的解释型语言，无须编译就能执行，脚本修改后立即生效，支持不停机的热切换，适合应对变化的业务逻辑。
方便管理运营。由于支持库外计算，代码可被第三方工具管理，方便团队协作；SPL脚本可以按文件目录进行存放，方便灵活，管理成本低；SPL对数据库的权限要求类似Java，不影响数据安全。
跨库和跨源计算。SPL序表可以统一读取各类数据源（含RDB），可以用统一的代码计算各类数据源，可以方便地实现跨库计算。比如，对MySQL和Oracle进行内关联：
| A | |
| 1 | =mysql1.query("select SellerId, sum(Amount) subtotal from Orders group by SellerId") |
| 2 | =orcl.query("select EId,Name from employees") |
| 3 | =join(A1:O,SellerId; A2:E,EId).new(O.Name:name, O.Dept:dept, E.subtotal:amt) |
SPL支持多种非RDB数据源，可进行RDB和非RDB之间的混合计算。包括txt\csv\xls等文件，MongoDB、Hadoop、redis、ElasticSearch、Kafka、Cassandra等NoSQL，以及WebService XML、Restful Json等多层数据。
ORM以及Stream/Kotlin缺乏专业的结构化数据对象和运算能力，Python Pandas难以被Java集成。SPL内置专业的结构化数据对象，具有强大的结构化数据计算能力和灵活的流程控制能力，可以方便地实现各类业务逻辑。提供了易用的JDBC接口，可以被Java方便地集成。还有更多结构性优势，包括耦合性低、解释执行和热切换、库外计算，以及跨库和跨源计算。