JSON作为一种轻量级的数据交换格式，因其易于读写和交互的特点，已逐渐成为主流的数据类型之一。常见的编程语言大多都对 JSON 的读取与解析提供了接口，但是接下来如何把多层 JSON 数据经过筛选、计算并展开成二维数据，就需要开发人员去头疼了。本文就为大家分享一下如何利用集算器 SPL（结构化处理语言）轻松解决 JSON 数据解析入库的问题。

目前创新互联建站已为近1000家的企业提供了网站建设、域名、网络空间、网站托管维护、企业网站设计、汉寿网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。

JSON 数据文件导入与解析

根据 JSON 数据文件的复杂程度，以及不同的需求，我们会分三种情况来讨论：

1. 单层的 JSON 数据文件

我们先从一个简单的例子入手，看看普通键值映射的 JSON 文件如何读取。下面是某产品订单信息的 JSON 数据文件：

SPL导入 JSON 数据文件只需要简单的一句脚本：

= json(file("product.json").read())

不需要写循环函数，也不用解析 JSON 对象，执行一下就可以看到，JSON 数据文件已经转换为二维数据序表了：

2. 明细数据相同结构的多层 JSON 数据文件

接下来，我们看一下多层的 JSON 文件如何处理。下面是我们要用到的 JSON 数据文件 orders.json：

可以看到，JSON 数据分为两层，第一层是 "货主国家" 和 "货主地区"，第二层是明细数据。现在我们想要从中导入中国华北和华南地区 2013 年的订单，让我们看看如果用 SPL 实现。

这次我们先来定义一下参数：Country、Area 和 Year，分别对应需要导入的货主国家、货主地区和订购日期的年份。通过定义参数，以后导入不同国家、地区和年份的时候，就不再需要修改 SPL，只需要提供相应的参数值就行了。这里需要注意的是，Area 的值是序列，默认值是 [华北, 华南]，这样就可以同时读取多个地区的数据。如下图：

我们先看一下 SPL 脚本：

	A	B
1	=json(file("orders.json").read())	=A1.select(货主国家 ==Country  && Area.contain( 货主地区))
2	=B1.news(区域订单;B1. 货主国家: 货主国家,B1. 货主地区: 货主地区,#1,#2,#3,#4,#5,#6,#7,#8,#9,#10,#11,#12,#13)	=A2.select(year( 订购日期)==Year)

下面来详细解释一下：

第一步：A1 中 =json(file("orders.json").read())，导入 JSON 文件生成序表。执行一下，可以看到 JSON 数据按层级被展现出来（在集算器设计器中我们可以通过双击“区域订单”值，来查看下一层明细数据）：

第二步：从图中可以看到，"货主国家" 和 "货主地区" 字段就在第一层，因此在 B1 中直接调用A1.select(货主国家 ==Country && Area.contain( 货主地区)) 就可以筛选出中国华北和华南的数据。

第三步："区域订单" 是我们想要的明细数据，但是其中不包含 "货主国家" 和 "货主地区" 这两个字段，因此我们需要把这两个字段和区域订单的明细字段拼在一起。这么复杂的需求通过 news 函数就可以一步到位解决。从 A2 格的表达式可以看到参数并不复杂，把 B1. 货主国家，B1. 货主地区和 "区域订单" 的全部字段拼在一起就可以了。看下执行结果：

第四步：在 B2 中通过=A2.select(year( 订购日期)==Year)筛选出 "订购日期" 的年份是 2013 年的数据。

最后让我们执行一下，可以看到最终得到的二维表完全符合需求：

3. 明细数据不同结构的多层 JSON 数据文件

因为数据来源的复杂性，JSON 数据文件的明细数据有可能是不同结构的，我们一起看一下这种 JSON 文件如何处理。下面是我们要用到的 JSON 文件 sales.json：

第一层以年和月为维度，第二层以国家为维度，第三层是明细数据。但是明细数据中，由于销售渠道不同，结构是不完全一致的，比如 "PRODUCTLINE"、"ADDRESSLINE1"、"ADDRESSLINE2" 在明细数据中并不是必须的。现在，我们要从数据中读取 2017 和 2018 年北美两个大国美国和加拿大的销售数据。

为了使用方便，我们还是先定义两个参数：Year 和 Country：

接下来先看一下 SPL：

	A	B
1	=json(file("sales.json").read())	=A1.select(Year.contain(YEAR))
2	=B1.news(MONTHLY_SALES;B1.YEAR:YEAR,B1.MONTH:MONTH,#1,#2)	=A2.select(Country.contain(COUNTRY))
3	=B2.news(NATIONAL_MONTHLY_SALES;B2.YEAR:YEAR,B2.COUNTRY:COUNTRY,ORDERNUMBER,QUANTITYORDERED,PRICEEACH,ORDERLINENUMBER,SALES,ORDERDATE,STATUS,QTR_ID,PRODUCTLINE,MSRP,PRODUCTCODE,CUSTOMERNAME,PHONE,ADDRESSLINE1,ADDRESSLINE2,CITY,STATE,POSTALCODE,TERRITORY,CONTACTLASTNAME,CONTACTFIRSTNAME,DEALSIZE)

下面来详细解释一下。

A1格还是把 JSON 文件导入为多层序表。

由于年份字段就在第一层，B1 格中直接调用A1.select(Year.contain(YEAR))可以从 A1 中筛选出 2017 和 2018 年份的数据：

接下来 A2 格中我们再次用到了 news 函数，用来把年月字段和下一层的月销售明细拼在一起：

B2格中我们通过A2.select(Country.contain(COUNTRY))从中筛选出来美国和加拿大的数据。

然后在 A3 格中，我们再次用到了 news 函数，这次需要把 YEAR，MONTH，COUNTRY 和再下一层的国家月销售明细拼在一个序表中。由于这个文件中明细数据可能结构有所不同，我们使用全量的字段名作为参数来创建序表。字段的值会根据名称设置，无此字段的会缺省为空值（例如下图 "ADDRESSLINE1" 和 "ADDRESSLINE2" 字段）：

执行后可以看到最终结果：

至此，一个多层结构的明细数据结构不完全一致的 JSON 文件就成功展开成为一个二维表了。

序表入库

前面介绍了常见的 JSON 数据文件导入与解析，接下来是数据入库的问题。之所以在最后才说入库，并不是因为复杂，恰恰相反的是，由于前面的例子中最后生成的都是序表，因此更新数据库就变得非常简单方便。以前面导入 JSON 的例子 2 中的订单表为例：

	A
1	=file("orders.json").read().import@j().select(货主国家 ==Country && 货主地区 ==Area). 区域订单.select(year( 订购日期)==Year).derive(Country: 货主国家,Area: 货主地区)
2	=connect("demo").update(A1, 订单; 订单 ID)

可以看到，更新数据库只需要一句脚本！

这里是比较常见的通过主键更新，用序表 A1 通过主键订单 ID 来更新数据库中的订单表。SPL 中的 update 函数有很多选项，可以满足更多的更新数据需求，这里就不再一一赘述了。

      因此，只要用对了工具，从 JSON 文件导入解析到数据入库，再繁琐的任务也可以轻松应对。除了 JSON 数据文件，集算器 SPL 还支持各种丰富多样的数据来源，后续将通过更多的文章继续分享给大家。

另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。

当前文章：轻松应对多层JSON数据计算与入库-创新互联
文章路径：http://azwzsj.com/article/dddigc.html