.NET与大数据
前言
当别人做大数据用Java、Python的时候，我使用.NET做大数据、数据挖掘，这确实是值得一说的事。
写的并不全面，但都是实际工作中的内容。
.NET在大数据项目中，可以做什么？
- 写脚本（使用控制台程序+顶级语句）
- 写工具（使用Winform）
- 写接口、写服务
使用C#写代码的优点是什么？
- 静态类型+匿名类型，一次性使用的实体类就用匿名类型，多次或多个地方使用的实体类就用静态类型，静态类型优于Python，匿名类型优于Java。你是不是想说Python也有静态类型？你倒是写啊？！
- 代码的可维护性好，这是相对于Python说的，不一定是语言的锅，还有固有的代码组织习惯，静态类型本身就是很好的注释
- 性能好，异步并发的代码易编写。
想起来一个事，就是前同事用Python2做数据挖掘，先用的es，性能差，改用的clickhouse，我就纳闷，es性能差？现在我想我明白了，我看了其中一个挖掘算法，它需要在双层循环遍历中去请求es进行查询，它没有使用异步，也没有使用多线程，那不就是一个线程在查询吗？我们现网es服务器配置这么强这么多，它居然用一个线程去同步请求，能快才怪！实际上一个请求耗时极短，因为es有各种缓存，而查询条件精确可以命中缓存，所以可以并发请求多个es节点。
那前同事为什么没有使用异步并发或多线程呢？Python2不支持吗？或者Python2支持，但写起来不方便？或者前同事不会写？(原因：写起来不方便，C#一样也不太方便，而且会使整个程序的并发请求量变得难以控制，可以针对某个接口单独优化，但所有接口都这样写，也挺麻烦的)
使用.NET开发的优点是什么？
其中一个优点是应用程序类型丰富，目前我用到的应用程序类型有：
- 控制台
- Winform
- Web API
- Blazor
你是不是想说Java和Python也可以写控制台、窗体程序、Web API？一个熟悉Ptyhon的程序员，可不一定会写窗体程序，需要一点时间学习，一个做了几年.NET的程序员天然会写Winform，就是拖控件啊。当然，也可能他们不用Windows。
每一种应用程序类型，都意味着学习成本，而这些我已经会了，时间就省下了(Blazor一开始不会，学习花了一两天)。
.NET与ClickHouse
我写了一个大杂烩脚本项目，里面有很多工程是查询ClickHouse统计分析，代码流程就是读取Excel数据作为查询输入条件，查询ClickHouse统计分析，统计结果导出到Excel。一个统计分析工作任务小半天就完成了。
用的ORM是我自己写的Dapper.LiteSql。没什么人用，可能是功能不强吧。不过很适合我自己的需求，我自己经常用。
比如：
int count = session.CreateSql<XXX>(@"
select count(distinct t.xxx, t.xxx, t.xxx) as cnt
from xxx t
")
.Where(t => t.PassTime >= startTime && t.PassTime <= endTime)
.Where("t.Name in (" + kkNames + ")")
.QuerySingle<int>();
再比如：
var query = session.CreateSql<XXX>(@"
select t.xxx, t.xxx, t.xxx
from xxx t
")
.Where(t => t.PassTime >= firstTime && t.PassTime <= firstTime.AddDays(7).AddSeconds(-1));
query.Where(t => plateList.Skip((page - 1) * pageSize).Take(pageSize).ToList().Contains(t.PlateNo));
var temp = query.ToList();
对于统计查询，我经常SQL和Lambda表达式混写，感觉这样非常灵活。
某些情况下，混写比纯Lambda写法，是要清晰的：
List<XXX> list = session.CreateSql<XXX>(@"
select xxx, xxx as xxx, max(xxx) as xxx
from (
select xxx, toDate(xxx) as xxx, xxx, count(*) as xxx
from (
select distinct t.xxx, t.xxx, t.xxx
from xxx t
").Where(t => t.Xxx != "xxx")
.Where(t => t.XxxTime >= startTime && t.XxxTime <= endTime)
.Where(t => xxxList.Contains(t.Xxx))
.Where(@"(
(formatDateTime(t.xxx_time ,'%H:%M:%S') >= '07:00:00' and formatDateTime(t.xxx_time ,'%H:%M:%S') <= '08:59:59') or
(formatDateTime(t.xxx_time ,'%H:%M:%S') >= '14:00:00' and formatDateTime(t.xxx_time ,'%H:%M:%S') <= '20:59:59')
)")
.Append(@")")
.GroupBy("xxx, xxx, xxx")
.Append(@")
group by xxx, xxx
")
.QueryList<XXX>();
上述代码说明：
- group by写了两种写法比较随意
- 三层select嵌套，当然主流ORM都能实现，但不一定易编写、易阅读
- 我不用针对ClickHouse去实现formatDateTime，也不用实现toDate、max、distinct、count，也不用纠结是count(*)还是count(1)，只要实现的功能足够少，BUG就少。
.NET与ElasticSearch
本打算使用Elasticsearch.Net，为什么没有使用？
- 学习成本，项目中没有学习时间，虽然造测试数据是本职工作，但写小工具不是本职工作不能耽误太多时间，所以没有学习时间
- 我使用HttpClient查询es，这种查询es的方式和kibana中写的查询语句、以及前同事留下的创建索引的文档、模板最接近，方便抄现成的。下面是一个完整的查询es方法：
public async Task<TicketAgg> QueryAgg(string strStartTime, string strEndTime, string idCard)
{
Stopwatch sw = Stopwatch.StartNew();
string esUrl = $"http://{esIPs[_rnd.Next(0, esIPs.Length)]}:24100/out_xxx/_search";
var esQueryBody = new
{
size = 0,
query = new
{
@bool = new
{
must = new dynamic[]
{
new
{
range = new
{
travel_time = new
{
gte = strStartTime,
lte = strEndTime,
format = "yyyyMMddHHmmss"
}
}
},
new
{
match_phrase = new
{
zjhm = idCard
}
}
}
}
},
aggs = new
{
countByZjhm = new
{
terms = new
{
field = "zjhm",
size = 10000
}
}
}
};
string esPostData = JsonConvert.SerializeObject(esQueryBody);
Console.WriteLine($"ES请求URL：{esUrl}");
Console.WriteLine($"ES请求参数：{esPostData}");
HttpClient httpClient = HttpClientFactory.GetClient();
HttpContent content = new StringContent(esPostData);
content.Headers.ContentType = new System.Net.Http.Headers.MediaTypeHeaderValue("application/json");
string strEsResult = await (await httpClient.PostAsync(esUrl, content)).Content.ReadAsStringAsync();
var resultObj = new
{
took = 0,
aggregations = new
{
countByZjhm = new
{
buckets = new[]
{
new
{
key = "",
doc_count = 0
}
}
}
}
};
var esResult = JsonConvert.DeserializeAnonymousType(strEsResult, resultObj);
TicketAgg agg = new TicketAgg();
agg.IdCard = idCard;
agg.Count = esResult.aggregations.countByZjhm.buckets[0].doc_count;
sw.Stop();
Console.WriteLine($"统计数据，耗时：{sw.Elapsed.TotalSeconds.ToString("0.000")} 秒");
return agg;
}
代码中esQueryBody和resultObj都是一次性使用的，直接用匿名动态类型，而TicketAgg是需要实例化作为返回值给其它方法使用的，所以定义成静态类型。
评论区有人问可选条件怎么写，代码如下：
string strStartTime = DateTime.Now.AddDays(-7).ToString("yyyyMMddHHmmss");
string strEndTime = DateTime.Now.ToString("yyyyMMddHHmmss");
string idCard = "33";
var esQueryBody = new
{
size = 10000,
query = new
{
@bool = new
{
must = new List<dynamic>
{
new
{
range = new
{
travel_time = new
{
gte = strStartTime,
lte = strEndTime,
format="yyyyMMddHHmmss"
}
}
}
}
}
}
};
if (idCard != null)
{
esQueryBody.query.@bool.must.Add(new
{
match_phrase = new
{
zjhm = idCard
}
});
}
string esPostData = JsonConvert.SerializeObject(esQueryBody);
上述代码说明：
- must原来是dynamic[]，它的长度是不可变的，不方便追加，所以修改成List
，就可以动态追加了。 - 写这段代码，我没有百度，没有找文档，花了几分钟试出来的。优秀的语法可以让使用者举一反三。
下面一段代码，生产测试数据用的：
public async Task MockXxxData(string indexName, int count, DateTime startDate, DateTime endDate, string[] departures, string[] destinations, dynamic peoples)
{
int days = (int)endDate.Subtract(startDate).TotalDays;
List<Task> taskList = new List<Task>();
for (int i = 0; i < count; i++)
{
DateTime date = startDate.AddDays(_rnd.Next(0, days + 1));
long time = (long)(_rnd.NextDouble() * 3600 * 24);
var people = peoples[_rnd.Next(0, peoples.Length)];
var esRequestBody = new
{
xxx_type = _rnd.Next(1, 4).ToString(),
zjlx = "xxx",
zjhm = people.zjhm,
xm = people.xm,
departure = departures[_rnd.Next(0, departures.Length)],
destination = destinations[_rnd.Next(0, destinations.Length)],
xxx_date = date.ToString("yyyyMMdd"),
xxx_time = date.AddSeconds(time).ToString("yyyyMMddHHmmss"),
xxx_time = date.AddSeconds(time).AddHours(0.5 + _rnd.NextDouble()).ToString("yyyyMMddHHmmss"),
xxx_time = date.AddSeconds(time).AddDays(-2 + _rnd.NextDouble()).ToString("yyyyMMddHHmmss"),
xxx = "",
xxx = ""
};
var task = ServiceFactory.Get<EsWriteService>().Write(indexName, esRequestBody);
taskList.Add(task);
}
await Task.WhenAll(taskList);
}
上述代码说明：
- 程序跑起来生产数据，一般会有几十个线程，也就是请求es的并发量是几十
- 如果你觉得几十的并发量，还是有点高，可以在调用的Write异步方法中使用Semaphore类限制一下并发量，代码如下：
private Semaphore _sem = new Semaphore(20, 20); //限制异步请求的并发数量
public async Task<bool> Write(string indexName, dynamic esRequestBody)
{
_sem.WaitOne();
try
{
Stopwatch sw = new Stopwatch();
sw.Start();
indexName = $"{indexName}-{DateTime.Now.Year}-{DateTime.Now.Month:00}";
string esUrl = $"http://{esIPs[_rnd.Next(0, esIPs.Length)]}:24100/{indexName}/doc";
string esRequestData = JsonConvert.SerializeObject(esRequestBody);
HttpContent content = new StringContent(esRequestData);
content.Headers.ContentType = new System.Net.Http.Headers.MediaTypeHeaderValue("application/json");
HttpClient httpClient = HttpClientFactory.GetClient();
string strEsResult = await (await httpClient.PostAsync(esUrl, content)).Content.ReadAsStringAsync();
var resultObj = new
{
status = 0
};
var esResult = JsonConvert.DeserializeAnonymousType(strEsResult, resultObj);
sw.Stop();
_log?.Info($"【写入ES索引】【{(esResult.status == 0 ? "成功" : "失败")}】耗时：{sw.Elapsed.TotalSeconds:0.000} 秒，索引名称：{indexName}，请求URL：{esUrl}，请求参数：{esRequestData}");
return esResult.status == 0;
}
catch
{
throw;
}
finally
{
_sem.Release();
}
}
用到的库
评论区有人问技术栈，这里列一下主要的库：
- Microsoft.Extensions.DependencyInjection 和 Autofac (依赖注入)
- AutoMapper (实体类映射)
- Microsoft.Extensions.Http (HttpClient，用于操作ElasticSearch、网络请求)
- Quartz (定时任务)
- Dapper、Dapper.LiteSql (ORM)
- Newtonsoft.Json (Json序列化)
- ClickHouse.Client (操作ClickHouse)
- Oracle.ManagedDataAccess.Core (操作Oracle)
- MySqlConnector (操作MySQL)
我最近写了哪些工程
- 大杂烩脚本工程，包括查询clickhouse统计分析输出Excel、查询MySQL和Oracle、各种小脚本工具
- Blazor工程，做了一套简单的增删改查，精力有限，自己测试用，不用手动改数据库了
- 数据挖掘服务，主要是Web API和定时任务
- Winform工具，用于测试时创建ES索引、生产模拟数据。为什么写这个？因为做数据挖掘，不给数据，只能自己造了。
为什么从这篇博客看起来这个项目只有我一个人在做？没团队？
还有项目经理、产品经理、前端等一共几个人，项目资金投入少，所以不可能有很多人的。
为什么没有使用Python？
我一开始是想使用Python的，但就我用.NET写的这些东西，如果改用Python，没个2、3年经验，写不顺畅。
我用.NET做一个项目，Swagger有了，创建工程时自带的，当然Python的Swagger也是有的，你可以百度"python 从注释自动生成 swagger"，之前看到过一个不错的，没保存，一时半会就找不到了。
用Blazor做了简单的配置页面，测试时不用去手动修改数据库了
写了一个Mock工程，生产模拟测试数据，写入速度可以达到6000条/秒(一条数据请求一次，不是批量写入)，界面如下：
最后
写此博客是为了给.NET正名，在大数据项目中，.NET大有可为。
我写代码没有用到什么特别的技术，看起来很简单，但也不是随便学学就能写，没个3、5年经验，很难写的这么快。
我写代码也没有什么条条框框，可能不规范，但很灵活。
例如，winform程序注入日志工具类怎么写？来不急百度了，就这么写吧，一样每秒6000条的狂写日志，还不卡界面：
public partial class Form1 : Form, ILog
{
...省略
public Form1()
{
InitializeComponent();
...省略
//注入日志工具类
ServiceFactory.Get<IndexCreationService>().InjectLog(this);
ServiceFactory.Get<EsWriteService>().InjectLog(this);
ServiceFactory.Get<MockDataService>().InjectLog(this);
}
}
internal class EsWriteService : ServiceBase
{
...省略
private ILog? _log;
public void InjectLog(ILog log) => _log = log;
public async Task<bool> Write(string indexName, dynamic esRequestBody)
{
...省略
_log?.Info("xxx");
...省略
}
}
就目前这些项目、脚本、工具而言，感觉这就是我写的最佳实践。不知道最佳实践，代码也能写，容易写成屎山，要么写的服务三天两头崩。
