多行日志合并处理的内外存方法

上一讲中，我们介绍了如何用SPL将一行日志结构化为一条记录，今天则要说一下多行日志对应一条记录的情况，我们称之为不定行日志。

事实上，集算器自己的输出日志就是这种不定行日志，我们来看一下集算器节点机下的一个日志文件rqlog. log，同样摘录两段日志：

[2018-05-14 09:20:20]

DEBUG: 临时文件过期时间为：12小时。

 

[2018-05-14 09:20:20]

DEBUG: Temporary file directory is:

D:tempesProcnodes127.0.0.1_8281temp.

Files in temporary directory will be deleted on every 12 hours.

简单分析一下这两段日志，每一段第一行都是方括号中的时间，紧接着第二行是用冒号分隔的日志类型和日志内容，随后各行都是日志内容的补充，直至遇到下一个方括号中的时间行。由此可以确定，结构化后的字段应该有三个：日志时间、日志类型和日志内容。

对于这种不定行的日志，最直接的结构化思路就是逐行加载，并根据条件拼接成相应的字段。但这里有个麻烦，由于每条记录对应的行数不确定，所以需要另外通过条件判断来识别每条记录的起始行。另一个问题就是当使用游标分析比较大的文件时，由于每次fetch的行数不可能总是刚好断在一条记录的末尾，所以在fetch的块与块之间还要考虑衔接问题。

所以，对于这种类型的日志，最理想的方法，是应该能把每一块日志与其它块自动分开。这样，就可以直接将每一块日志解析到一条记录，而不需要考虑读取的行应该属于上一条记录还是下一条记录。

SPL中就有这样的分组方式，形如A.group@i(exp)，只不过其中的分组表达式exp不能返回枚举值，而应该返回布尔值。而i选项则表示根据相邻行计算exp，如果返回true就表示建立一个新组，其后面连续返回false的行都归于这个组。

有了这样的分组方式，我们只要写出能解析记录第一行的exp就可以了。本例中，记录第一行是以方括号“[”开始的一个日期时间，如果能够确定后面的内容中不会有以“[”开始的行，那么分组表达式只需判断每一行的第一个字符是否为‘[’就可以了。

下面是实现的脚本文件convertlog.dfx：

表（1）

脚本仍然是一次性将文件全部读入，只是在分析过程中，每凑够十万行就将其追加到输出文件。下面是重点代码的解析：

1) C2过滤空行，日志的块与块之间可能有很多空行，此处用select函数选出非空行。

2) D2是本例的重点，按照每一行是否由‘[’开头来进行分组，分组后的结果是每一块对应一个序列，再由这些块序列组成一个大的序列。

3) 第5行空了出来，其实是预留A5到C5来容纳解析后的3个字段。

4) 由于D2返回的序列已经是按照记录对应的块做好分组了，所以只需在A6中对D2序列循环即可。

5) B7到C14将每一块日志结构化到各个字段。

6) A20到C20将最后一段不够十万行的数据，写到文件。

下面是当前代码的执行结果：

                                             

图（1）

上面这个例子介绍了如何用分组来结构化不定行的日志。不过，分析前仍然导入了整个文件，占用的内存较大。为了减少内存占用，我们可以使用游标来处理。和上面这个例子非常类似，从文件得到游标后，紧接着的是和序列几乎一样的过滤、分组方法。细微的区别是由于游标中返回的分组是序表，而不再是序列，因此需要用字段名‘_1’来引用各行的值。另外，使用游标后，每次fetch得到的是一个序表的序列，因此相对于全文导入，要多一层循环处理。

下面是实现的脚本文件convertLogCursor.dfx：

表（2）

可以看到，除了用游标时，表达式中需要使用缺省字段名‘_1’，以及多了一层循环取数，这个脚本和前面全部读入文件的方式完全一致。执行后可以看到结果也跟convertLog.dfx完全一样。

         看到这里，细心的读者可能会想到，是不是也可以像上一讲一样，使用多路游标来提升性能？答案是肯定的，不过需要调整一下方法。如果只是简单使用cursor@m返回多路游标的话，由于线程游标是由SPL自动创建的，每个游标会被自动分配一段属于自己的数据，这就有可能会将本来属于同一条记录的数据块，分配给了两个线程，从而造成线程内部难以处理数据缺失的部分。如果不介意部分数据不完整，那么可以稍稍调整一下脚本，直接跳过残缺的记录。而如果对数据的完整性要求很严格的话，就需要将不完整的记录头和记录尾返回给主程序，让主程序来集中处理了。但要注意的是多路游标的各线程游标是自动创建的，线程之间的顺序不好确定，所以主程序拿到这些不完整的记录头和记录尾，也会因为次序没法确定而无法正确衔接。因此，这时就需要改用 fork to(n)语句来主动创建顺序线程了。fork语句所在的格子值就是当前线程的序号，然后在代码段中创建局部游标，并加载相应的数据段就可以了。 不过，无论如何都会麻烦一些，因不是很常见，这里也就不再举例了，有兴趣的同学可以将它作为一个练习题。

最后总结一下，不定行日志的处理关键是确定几行日志可以“凑”成一条记录。而利用集算器SPL中group函数的@i选项，就可以定义日志块的分隔条件，从而简洁方便地“庖丁解牛”了。