Java 怎样查询统计 MongoDB 的数据
可以用官方的Json风格的语法查询或统计MongoDB，优点是稳定可靠，缺点是语法古怪难掌握，很多基本计算都不支持，计算能力一般，而且代码非常繁琐。另一种方法是使用函数式编程风格的Hibernate Criteria，优点是更接近自然语言，易于理解，缺点是架构沉重且计算能力弱。还有一种方法，使用支持通用SQL的Calcite，优点是学习成本低，缺点是计算能力非常弱，且配置很麻烦，还要对collection进行结构性改造。
更好的方法是使用开源类库集算器SPL，不仅计算能力非常强而且容易掌握，也不需要改造collection，集成架构很轻便，配置起来也简单。
SPL提供了易用的JDBC接口，初学者可以快速入门。比如某collection存储多条雇员记录，每个雇员的Orders字段存储多条订单记录。下面对所有的订单进行条件查询：
…
Class.forName("com.esproc.jdbc.InternalDriver");
Connection connection =DriverManager.getConnection("jdbc:esproc:local://");
Statement statement = connection.createStatement();
String str="= mongo_shell@x(mongo_open("mongodb://127.0.0.1:27017/mongo"),"test1.find()").fetch().conj(Orders). select(Amount>1000 && Amount<=3000 && like@c(Client,"*s*"))";
ResultSet result = statement.executeQuery(str);
…
SPL支持算法外置于JAVA代码，可大幅减低代码耦合性，特别适合计算代码较长或频繁修改的情况。比如上面的条件查询，可以先将计算代码存为SPL脚本文件：
| A | |
| 1 | =mongo_open("mongodb://127.0.0.1:27017/mongo") |
| 2 | =mongo_shell@x(A1,"data.find()").fetch() |
| 3 | =A2.conj(Orders).select(Amount>1000 && Amount<=3000 && like@c(Client,"*s*")) |
再在JAVA代码中以存储过程的形式调用SPL脚本文件名：
…
Class.forName("com.esproc.jdbc.InternalDriver");
Connection connection =DriverManager.getConnection("jdbc:esproc:local://");
Statement statement = connection.createStatement();
String str="call condition()";
ResultSet result = statement.executeQuery(str);
…
SPL内置丰富的计算函数，提供了等价于SQL的计算能力。下面再举几例：
| A | B | |
| 3 | … | |
| 4 | =A2.conj(Orders).groups(year(OrderDate);sum(Amount)) | //对订单分组汇总 |
| 5 | =A2.groups(Dept,Gender;count(1)) | //对员工分组汇总 |
| 6 | =A2.sort(Dept,-Salary) | //排序 |
| 7 | =A2.id(State) | //去重 |
SPL甚至提供了SOL语法，以方便数据库程序员。比如前面的条件查询可以改成下面的SQL：
$select OrderId, Client, Amount, OrderDate from {A2.conj()} where Client like '%S%' or (Amount>1000 and Amount<=2000)
SPL提供了简单易用的关联函数，可弥补MongoDB和其他几种计算类库的弱点。比如，对同一个collection里的员工和订单进行关联计算：
| A | |
| 1 | =mongo_open("mongodb://127.0.0.1:27017/mongo") |
| 2 | =mongo_shell(A1,"data.find()").fetch() |
| 3 | =A2.new(Orders.OrderID,Orders.Client, Name,Gender,Dept) |
再比如，两个collection是主子关系，要进行左关联，只需如下代码：
| A | B | |
| 1 | =mongo_open("mongodb://127.0.0.1:27017/mongo") | |
| 2 | =mongo_shell@x(A1,"main.find()").fetch() | =mongo_shell@x(A1,"detail.find()").fethc() |
| 3 | =join@1(B2,cat;A2,cat) | |
| 4 | =A3.new(_1.title,_1.regex,_1.cat,_2.path) | |
SPL的语法体系表达能力强，很多SQL和存储过程都难以实现的计算，用SPL可以轻松解决。比如，计算某支股票最长的连续上涨天数，SPL的实际计算代码只有一行：
| A | |
| 1 | =mongo_open("mongodb://127.0.0.1:27017/mongo") |
| 2 | =mongo_shell(A1,"share.find()").fetch() |
| 3 | =a=0,A2.max(a=if(price>price[-1],a+1,0)) |
SPL支持多层数据对象，特别适合计算MongoDB里的多层Json数据。比如，对于下面的collection，统计每条记录中 income，output 的数量之和：
| _id | Income | Output |
| 1 | ｛"cpu":1000, "mem":500, "mouse":"100"｝ | ｛"cpu":1000, "mem":600 ,"mouse":"120"｝ |
| 2 | ｛"cpu":2000,"mem":1000, "mouse":"50","mainboard":500 ｝ | {"cpu":1500, "mem":300} |
各种类库包括MongDB自己的查询语法都很难实现这类计算，SPL就简单多了：
| A | |
| 1 | =mongo_open("mongodb://127.0.0.1:27017/raqdb") |
| 2 | =mongo_shell@x(A1,"computer.find()").fetch() |
| 3 | =A2.new(_id:ID,income.array().sum():INCOME,output.array().sum():OUTPUT) |
SPL提供了专业的IDE，不仅有完整的调试功能，还能用表格的形式观察每一步的中间计算结果，特别适合逻辑复杂的计算：
除了上面提到的，SPL还有很多实用功能，比如大数据量计算，csv\xls\restful\各种NoSQL数据源的混合计算，这里不再赘述。
