mysql多行合并成一行_数据文件合并与拆分

【摘要】

本文介绍将多个文本文件和 Excel 文件合并成一个文件，或者将一个文件拆分成几个小文件时，如何处理会遇到的几种情况，并用 esProc SPL 举例实现。

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：

注释

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：

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：

注释

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：

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：

注释

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：

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：

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：

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：

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：

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

《SPL CookBook》中有更多相关计算示例。