数据文件合并与拆分

在数据处理业务中，经常要把文件结构相同或近似相同的数据文件合并成一个文件，或者将一个比较大的数据文件拆分成小的数据文件。本文将介绍文本文件和 Excel 文件合并及拆分会遇到的几种情况，并提供用 esProc SPL 编写的代码示例。esProc 是专业的数据计算引擎，SPL 中有完善的文件导入、导出及目录操作函数，非常适合做数据文件的合并及拆分工作。

 

 

一、  文件合并

 

1.  同构文本文件合并

在某个文件目录下有多个文本文件，这些文件表头和列结构完全相同，只是数据行数和数据内容不同，需要将这些文件的数据全部合并到一个文本文件中，共用同一个表头。

示例：在e:/orders目录下有每日的订单文本文件，每个文件的结构相同，第一行是列名，第二行开始是数据，如下图所示，请将它们合并成一个订单表文件orders.txt。

 

 

esProc SPL脚本如下：

	A	注释
1	=directory@p("e:/orders/*.txt")	返回orders目录所有txt文件的完整路径名
2	=A1.conj(file(~).import@t())	合并所有文件的数据
3	=file("e:/orders.txt").export@t(A2)	将合并后的数据写入orders.txt文件

如果e:/orders还有子目录，子目录中的txt文件也需要一起合并，那么把A1格改成=directory@ps("e:/orders/*.txt")，选项@s表示递归查找所有子目录下的文件。

上面这段脚本是假设内存能够装下合并以后的全部数据，如果装不下，那么应该用下面这段脚本：

	A	B	C
1	=directory@p("e:/orders/*.txt")	=file("e:/orders.txt")
2	for A1	=file(A2).cursor@t()
3		if #A2==1	=B1.export@t(B2)
4		else	=B1.export@a(B2)

A1   列出目录中的所有txt文件的完整路径名称，如果要查找子目录，则加上@s选项

A2   对列出的文件进行循环

B2   用游标读取每一个文件，@t表示第一行是列名

B3-C4   将B2游标中数据导出，第一次要导出列名，其后用@a进行追加

 

2.  结构近似的文本文件合并

如果文件结构并不是完全相同，比如列的顺序不一样、列数不一样，但各文件都含有共同的几列，想要把这些共同列的数据都合并到一个文件中。合并这些文件时，需要按指定顺序读出每个文件中的这些共同列数据。

示例：还是上面这个例子，已知所有订单文件都有ID、Company、Area、OrderDate、Amount这5列，但各文件中列的顺序并不相同，有的文件还有其它一些列，请将各文件中的这5列数据合并到orders.txt文件中。

esProc SPL脚本如下：

	A	注释
1	=directory@p("e:/orders/*.txt")	返回orders目录所有txt文件的完整路径名
2	=A1.conj(file(~).import@t(ID,Company,Area,OrderDate,Amount))	按指定的5列顺序读出各文件数据，然后合并所有文件的数据
3	=file("e:/orders.txt").export@t(A2)	将合并后的数据写入orders.txt文件

同样地，如果内存装不下合并后的所有数据，则使用下面这段脚本：

	A	B	C
1	=directory@p("e:/orders/*.txt")	=file("e:/orders.txt")
2	for A1	=file(A2).cursor@t(ID,Company,Area,OrderDate,Amount)
3		if #A2==1	=B1.export@t(B2)
4		else	=B1.export@a(B2)

 

3.  文件名转成列数据

在合并数据的同时，需要为合并后的数据增加一列，并用合并前的文件名给此列赋值，以便标记数据类别或来源。

示例：在e:/orders目录下有各种零件的订单Excel文件，文件名就是零件的名字，比如tyre.xlsx、engine.xlsx……等，每个文件的结构相同，第一行是列名，第二行开始是数据，如下图所示，请将它们合并成一个订单表文件orders.xlsx，并增加一列PartName用来记录零件的名字。

esProc SPL脚本如下：

	A	注释
1	=directory@p("e:/orders/*.xlsx")	返回orders目录所有Excel文件的完整路径名
2	=A1.conj((fn=filename@n(~),file(~).xlsimport@t().derive(fn:PartName)))	先将文件名定义为临时变量fn，读入文件后，增加一列PartName，并用fn赋值。最后将各文件数据合并
3	=file("e:/orders.xlsx").xlsexport@t(A2)	将合并后的数据写入orders.xlsx文件

同样地，如果内存装不下合并后的所有数据，则使用下面这段脚本：

	A	B	C
1	=directory@p("e:/orders/*.xlsx")	=file("e:/orders.xlsx")
2	for A1	=file(A2).xlsimport@tc().derive(filename@n(A2):PartName)
3		if #A2==1	=B1.xlsexport@ts(B2)
4		else	=B1.xlsexport@as(B2)

合并后的orders.xlsx文件部分数据如下图所示：

 

 

二、  文件拆分

 

1.  分组拆分

对文件中数据进行分组，把每组数据单独存为一个文件，用组名为文件命名。

示例：在订单表Excel文件中有各种零件的订单，请把同种零件的订单各存为一个Excel文件，以便发送给零件生产部门。

esProc SPL脚本如下：

	A	B
1	=file(“e:/orders/orders.xlsx”).xlsimport@t()	=A1.group(partName)
2	for B1	=file("e:/parts/"+A2(1).partName+”.xlsx”).xlsexport@t(A2)

A1   读入所有原始数据

B1   按partName分组

A2   循环每个零件组的订单信息

B2   以零件名称作为文件名，导出零件信息

 

如果原文件很大，不能全部装入内存，那么应该使用游标方式读数，脚本如下：

	A	B	C	D
1	=file(“e:/orders/orders.xlsx”).xlsimport@tc()
2	for A1,50000	=A2.group(partName)
3		for B2	=file("e:/parts/"+B3(1).partName+”.xlsx”)
4			if C3.exists()	=C3.xlsexport@a(B3)
5			else	=C3.xlsexport@t(B3)

A1   创建游标读取原始数据

A2   循环游标读数，每次读50000行(读多少行根据内存大小决定)

B2   对每次读取的数据按partName分组

B3   循环每组零件

C3   以零件名称作为文件名创建文件对象

C4-D5   如果文件已存在，则用@a追加写入零件订单信息，不存在则用@t先写入列名再导入数据

 

2.  记录占据多行的拆分

在文本文件中，一条数据记录是由多行数据组成的，在拆分成小文件时，要识别哪几行是同一条数据记录，保证同一条数据记录不会被拆分到两个文件中。

示例1：有网站运行日志文件log.txt，每条日志由5行组成，现在需要把这个日志文件拆分成一些小文件，每个文件由1000条日志组成。

esProc SPL脚本如下：

	A	B
1	=file(“e:/log.txt”:”UTF-8”).cursor@s()
2	for A1,5000	=file(“e:/log/log_”/#A2/”.txt”).export(A2)

A1   用游标读取日志文件数据，@s表示将整行读成一个字符串

A2   循环游标，每次取5000行，刚好是1000条日志

B2   按循环序号生成日志文件名，如log_1.txt、log_2.txt……，然后将当前取出的所有行写入

 

示例2：有程序运行日志文件log.txt如下图所示，每条日志由不确定的几行组成，每条日志由中括号开头，其后只要不是中括号开头的行，都与它属于同一条日志。现在需要把这个日志文件拆分成一些小文件，每个文件由1000条日志组成。

 

 

esProc SPL脚本如下：

	A	B
1	=file(“e:/log.txt”:”UTF-8”).read@n()	=A1.select(~!="")
2	=B1.group@i(pos(~,"[")==1).cursor()
3	for A2,1000	=file(“e:/log/log_”/#A3/”.txt”)
4		=A3.(~.(B3.write@a(~)))

A1   打开日志文件读取数据，@n表示将每一行读成一个字符串，所有串组成一个序列返回

B1   筛选出非空的行

A2   按行是否用中括号开头作为分组条件，中括号开头的作为一个新组，不是则并到当前组。最后把所有组序列转换成游标

A3   循环游标，每次取1000个组，即1000条日志

B3   按循环序号生成日志文件名，如log_1.txt、log_2.txt……

B4   两层循环，外层是循环1000个组，内层循环每组的成员(即数据行)，将每行追加写入文件