Java 如何处理 WebService/Restful 返回的数据
WebService/Restful返回的XML/Json属于多层数据，解析难度低，但计算难度高。传统方法是先用Dom4J/JsonPath之类的开源类库去解析，再用XPath/JsonPath计算，这种方法结构轻便好集成，但只能进行条件查询，其他计算都要硬编码。如果对计算要求高，也可以将数据先存到SQLite/MySQL之类的小型数据库，再用特殊的XML/Json函数进行解析，同时用常规SQL进行计算，但这种方法架构复杂，入库过程繁琐，耽误时间长，而且SQL只擅长计算结构化记录，计算多层数据的能力要差许多。
更好的方法是用开源类库集算器SPL，既有轻便的集成架构，能直接解析WebService/Restful返回的数据，又有丰富的计算函数，具备针对多层数据的强大计算能力。
SPL提供了JDBC接口，架构简单容易学习。比如JAVA主程序接收了来自Restful的Json串，集成SPL后，可用下面的代码解析成ResultSet以进一步处理：
…
String jsonStr=… //Json串
Class.forName("com.esproc.jdbc.InternalDriver");
Connection connection =DriverManager.getConnection("jdbc:esproc:local://");
Statement statement = connection.createStatement();
String query="=json($["+jsonStr+"])";
ResultSet result = statement.executeQuery(query);
…
事实上，SPL内置了多层结构的数据对象，能同时计算和生成json/XML，特别适合处理来自WebService/Restful的数据，毕竟解析不是目标，计算处理才是。比如，restful返回的Json有两层，上层是多条员工记录，每条员工记录的Orders字段是多条订单记录。解析Json并对所有订单进行条件查询，计算结果也转成json串，只需下面的SPL代码：
=json(json($["+jsonStr+"]).conj(Orders).select((Amount>1000 && Amount<=2000) && like@c(Client,"*business*")))
这里以json为例，XML也可以类似处理。
SPL还提供了简单易用的接收函数，可以直接从WebService/Restful获取数据，避免JAVA主代码里复杂的接收过程，减少第三方类库的使用，使集成架构更轻便。比如，用SPL接收restful返回的数据，再进行条件查询，并将结果再生成json返回：
=json(json(httpfile("http://127.0.0.1:6868/api/getData").read()).conj(Orders). select((Amount>1000 && Amount<=2000) && like@c(Client,"*business*")))
SPL也能访问有权限控制的服务器，详情可以参考相关文档，这里不细说了。
SPL支持算法外置，适合代码较长或频繁修改的计算，可显著降低耦合性。比如前面的条件查询可以先存为脚本文件：
| A | B | |
| 1 | =json(parameter_jsonStr) | /多层json |
| 2 | =A1.conj(Orders) | /合并订单 |
| 3 | =A2.select((Amount>1000 && Amount<=2000) && like@c(Client,"*business*")) | /条件查询 |
| 4 | return json(A3) |
再在JDBC中以存储过程的形式调用脚本文件：
…
String jsonStr=… //Json串
Class.forName("com.esproc.jdbc.InternalDriver");
Connection conn =DriverManager.getConnection("jdbc:esproc:local://");
CallableStatement statement = conn.prepareCall("{call getQuery(?)}");
statement.setObject(1, jsonStr);
ResultSet result statement.execute();
result.next();
String jsonResult=result.getString(1);
…
SPL提供了通用的计算语法，从不同来源取得的数据，可以用相同的语法进行计算。比如对来自WebService的员工-订单进行条件查询，计算结果以XML形式返回，XPath/JsonPath互不通用，SQLite只支持Json不支持XML计算，而SPL就可以用同样的计算语法：
| A | B | |
| 1 | =ws_call(ws_client("http://．．．/entityWS.asmx?wsdl"),"entityWS ":" entityWSSoap":"getData") | /接收WebService |
| 2 | =A1.conj(Orders) | /合并订单 |
| 3 | =A2.select((Amount>1000 && Amount<=2000) && like@c(Client,"*business*")) | /条件查询 |
| 4 | return xml(A3) | /转为XML |
SPL支持数据库/各类NoSQL/CSV/Excel/Json文件/XML文件等多种数据源，可以用相同的语法计算这些数据源，这里就不展开说了。
SPL具有丰富的计算函数，提供了不低于SQL的计算能力，下面再几例：
| A | B | |
| 1 | … | /解析多层数据 |
| 2 | =A1.conj(Orders).groups(Client;sum(Amount)) | /分组汇总 |
| 3 | =A1.groups(State,Gender;avg(Salary),count(1)) | /多字段分组汇总 |
| 4 | =A1.sort(Salary) | /排序 |
| 5 | =A1.id(State) | /去重 |
| 6 | =A1.new(Name,Gender,Dept,Orders.OrderID,Orders.Client,Orders.Client,Orders.SellerId,Orders.Amount,Orders.OrderDate) | /关联 |
SPL具有灵活的计算语法，可以大幅简化复杂的运算逻辑。很多计算SQL或存储过程都很难实现，而SPL解决起来就很轻松。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 | … | /解析数据 |
| 2 | =A1.sort(amount:-1) | /销售额逆序排序 |
| 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 |
SPL提供了专业的IDE，不仅具备完整的调试功能，还能以表格的形式观察每一步的计算结果，可以进一步提高复杂运算逻辑的开发效率。
不难看出，SPL集成架构简单轻便，内置多层结构的数据对象，提供了丰富的函数和灵活的语法，特别适合处理WebService和Restful返回的数据。
