189 8069 5689
JSON作为一种轻量级的数据交换格式，因其易于读写和交互的特点，已逐渐成为主流的数据类型之一。常见的编程语言大多都对 JSON 的读取与解析提供了接口，但是接下来如何把多层 JSON 数据经过筛选、计算并展开成二维数据，就需要开发人员去头疼了。本文就为大家分享一下如何利用集算器 SPL（结构化处理语言）轻松解决 JSON 数据解析入库的问题。
为开平等地区用户提供了全套网页设计制作服务，及开平网站建设行业解决方案。主营业务为成都做网站、成都网站建设、开平网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！
JSON 数据文件导入与解析
根据 JSON 数据文件的复杂程度，以及不同的需求，我们会分三种情况来讨论：
1. 单层的 JSON 数据文件
我们先从一个简单的例子入手，看看普通键值映射的 JSON 文件如何读取。下面是某产品订单信息的 JSON 数据文件：
SPL导入 JSON 数据文件只需要简单的一句脚本：
= json(file("product.json").read()) |
不需要写循环函数，也不用解析 JSON 对象，执行一下就可以看到，JSON 数据文件已经转换为二维数据序表了：
2. 明细数据相同结构的多层 JSON 数据文件
接下来，我们看一下多层的 JSON 文件如何处理。下面是我们要用到的 JSON 数据文件 orders.json：
可以看到，JSON 数据分为两层，第一层是 "货主国家" 和 "货主地区"，第二层是明细数据。现在我们想要从中导入中国华北和华南地区 2013 年的订单，让我们看看如果用 SPL 实现。
这次我们先来定义一下参数：Country、Area 和 Year，分别对应需要导入的货主国家、货主地区和订购日期的年份。通过定义参数，以后导入不同国家、地区和年份的时候，就不再需要修改 SPL，只需要提供相应的参数值就行了。这里需要注意的是，Area 的值是序列，默认值是 [华北, 华南]，这样就可以同时读取多个地区的数据。如下图：
我们先看一下 SPL 脚本：
A | B | |
1 | =json(file("orders.json").read()) | =A1.select(货主国家 ==Country && Area.contain( 货主地区)) |
2 | =B1.news(区域订单;B1. 货主国家: 货主国家,B1. 货主地区: 货主地区,#1,#2,#3,#4,#5,#6,#7,#8,#9,#10,#11,#12,#13) | =A2.select(year( 订购日期)==Year) |
下面来详细解释一下：
第一步：A1 中 =json(file("orders.json").read())，导入 JSON 文件生成序表。执行一下，可以看到 JSON 数据按层级被展现出来（在集算器设计器中我们可以通过双击“区域订单”值，来查看下一层明细数据）：
第二步：从图中可以看到，"货主国家" 和 "货主地区" 字段就在第一层，因此在 B1 中直接调用A1.select(货主国家 ==Country && Area.contain( 货主地区)) 就可以筛选出中国华北和华南的数据。
第三步："区域订单" 是我们想要的明细数据，但是其中不包含 "货主国家" 和 "货主地区" 这两个字段，因此我们需要把这两个字段和区域订单的明细字段拼在一起。这么复杂的需求通过 news 函数就可以一步到位解决。从 A2 格的表达式可以看到参数并不复杂，把 B1. 货主国家，B1. 货主地区和 "区域订单" 的全部字段拼在一起就可以了。看下执行结果：
第四步：在 B2 中通过=A2.select(year( 订购日期)==Year)筛选出 "订购日期" 的年份是 2013 年的数据。
最后让我们执行一下，可以看到最终得到的二维表完全符合需求：
3. 明细数据不同结构的多层 JSON 数据文件
因为数据来源的复杂性，JSON 数据文件的明细数据有可能是不同结构的，我们一起看一下这种 JSON 文件如何处理。下面是我们要用到的 JSON 文件 sales.json：
第一层以年和月为维度，第二层以国家为维度，第三层是明细数据。但是明细数据中，由于销售渠道不同，结构是不完全一致的，比如 "PRODUCTLINE"、"ADDRESSLINE1"、"ADDRESSLINE2" 在明细数据中并不是必须的。现在，我们要从数据中读取 2017 和 2018 年北美两个大国美国和加拿大的销售数据。
为了使用方便，我们还是先定义两个参数：Year 和 Country：
接下来先看一下 SPL：
A | B | |
1 | =json(file("sales.json").read()) | =A1.select(Year.contain(YEAR)) |
2 | =B1.news(MONTHLY_SALES;B1.YEAR:YEAR,B1.MONTH:MONTH,#1,#2) | =A2.select(Country.contain(COUNTRY)) |
3 | =B2.news(NATIONAL_MONTHLY_SALES;B2.YEAR:YEAR,B2.COUNTRY:COUNTRY,ORDERNUMBER,QUANTITYORDERED,PRICEEACH,ORDERLINENUMBER,SALES,ORDERDATE,STATUS,QTR_ID,PRODUCTLINE,MSRP,PRODUCTCODE,CUSTOMERNAME,PHONE,ADDRESSLINE1,ADDRESSLINE2,CITY,STATE,POSTALCODE,TERRITORY,CONTACTLASTNAME,CONTACTFIRSTNAME,DEALSIZE) |
下面来详细解释一下。
A1格还是把 JSON 文件导入为多层序表。
由于年份字段就在第一层，B1 格中直接调用A1.select(Year.contain(YEAR))可以从 A1 中筛选出 2017 和 2018 年份的数据：
接下来 A2 格中我们再次用到了 news 函数，用来把年月字段和下一层的月销售明细拼在一起：
B2格中我们通过A2.select(Country.contain(COUNTRY))从中筛选出来美国和加拿大的数据。
然后在 A3 格中，我们再次用到了 news 函数，这次需要把 YEAR，MONTH，COUNTRY 和再下一层的国家月销售明细拼在一个序表中。由于这个文件中明细数据可能结构有所不同，我们使用全量的字段名作为参数来创建序表。字段的值会根据名称设置，无此字段的会缺省为空值（例如下图 "ADDRESSLINE1" 和 "ADDRESSLINE2" 字段）：
执行后可以看到最终结果：
至此，一个多层结构的明细数据结构不完全一致的 JSON 文件就成功展开成为一个二维表了。
序表入库
前面介绍了常见的 JSON 数据文件导入与解析，接下来是数据入库的问题。之所以在最后才说入库，并不是因为复杂，恰恰相反的是，由于前面的例子中最后生成的都是序表，因此更新数据库就变得非常简单方便。以前面导入 JSON 的例子 2 中的订单表为例：
A | |
1 | =file("orders.json").read().import@j().select(货主国家 ==Country && 货主地区 ==Area). 区域订单.select(year( 订购日期)==Year).derive(Country: 货主国家,Area: 货主地区) |
2 | =connect("demo").update(A1, 订单; 订单 ID) |
可以看到，更新数据库只需要一句脚本！
这里是比较常见的通过主键更新，用序表 A1 通过主键订单 ID 来更新数据库中的订单表。SPL 中的 update 函数有很多选项，可以满足更多的更新数据需求，这里就不再一一赘述了。
因此，只要用对了工具，从 JSON 文件导入解析到数据入库，再繁琐的任务也可以轻松应对。除了 JSON 数据文件，集算器 SPL 还支持各种丰富多样的数据来源，后续将通过更多的文章继续分享给大家。